การออกแบบการทดลองเป็นเครื่องมือที่มีประโยชน์อย่างมาก สามารถนำไปใช้ได้ในหลากหลายสถานการณ์และใช้เพื่อจัดการกับปัจจัยตั้งต้น (input factors) เพื่อดูผลกระทบของปัจจัยเหล่านั้นที่มีผลต่อค่าตอบสนอง (response) ที่ต้องการได้อย่างมีประสิทธิภาพ รวมทั้งยังไว้ใช้ระบุอิทธิพลของ interactions ที่มักจะเป็นสิ่งที่อาจจะมองข้ามไปได้เมื่อทำการทดลองแบบครั้งละปัจจัย (one factor at a time) สิ่งที่จะทำให้การใช้ DOE แล้วประสบความสำเร็จ คือ ต้องมีการวางแผนที่ดี โดยทั่วไปแล้วอุปสรรคในการใช้ DOE จนไม่สามารถทำให้เกิดผลลัพธ์ที่สำเร็จได้ คือ ไม่สามารถก้าวผ่านอุปสรรคที่เจอในขั้นตอนการวางแผนงาน เช่น DOE มีต้นทุนสูง หรือ มีความยุ่งยากมาก หรือ ขาดข้อมูลสำคัญจนมักไม่สามารถทำได้สำเร็จตั้งแต่ยังไม่ได้เริ่มต้นทำการทดลองด้วยซ้ำไป แต่โชคดีที่ยังมีการวิเคราะห์เชิงคาดการณ์ขั้นสูง (advanced predictive analytics) ซึ่งเป็นเครื่องมือที่มีประสิทธิภาพและสามารถเข้าถึงได้รวมทั้งช่วยขจัดอุปสรรคในการใช้ DOE หรือแม้แต่ช่วยเพิ่มโอกาสให้การทำ DOE นั้นประสบความสําเร็จ
ปัญหาที่ 1: เมื่อคุณต้องการใช้การออกแบบการทดลองแบบการคัดกรอง(SCREENING DESIGN) แต่คุณไม่สามารถหยุดระบบ (หรือกระบวนการ) เพื่อรวบรวมข้อมูล หรือ เมื่อการรวบรวมข้อมูลนั้นมีค่าใช้จ่ายที่สูงมาก
การออกแบบาการทดลองแบบการคัดกรอง (Screening DOEs) มักจะถูกนำมาใช้เมื่อต้องการระบุตัวแปรที่สำคัญที่สุดจากตัวแปรที่น่าจะมีอิทธิพลหลายๆตัวของกระบวนการ การทดลองแบบนี้จะช่วยให้ผู้ปฏิบัติงานสามารถลดขนาดการทดลองที่จะช่วยประหยัดเวลาและเงินอย่างมาก โดยเฉพาะเมื่อข้อมูลที่จะได้มานั้นต้องแลกด้วยความยากลำบากและต้นทุนที่สูงลิ่ว
จะเกิดอะไรขึ้นเมื่อคุณไม่สามารถหยุดระบบหรือกระบวนการเพื่อทำการทดลองเพื่อเก็บข้อมูลได้ หรือ ถ้าในการรวบรวมข้อมูลสําหรับการคัดกรองนั้นมีต้นทุนสูงมากจนทําให้ไม่สามารถทำได้จริง
ทางแก้ที่ 1: การวิเคราะห์เชิงคาดการณ์สามารถช่วยให้คุณระบุตัวแปรที่สําคัญที่สุดได้อย่างง่ายดาย
เมื่อมีการวิเคราะห์เชิงคาดการณ์อยู่ คุณไม่จำเป็นต้องกลัวกับเรื่องนี้
ในการวิเคราะห์ข้อมูลของคุณ คุณสามารถเลือกใช้กลวิธีของ machine learning หรือ machine learning แบบอัตโนมัติเพื่อช่วยระบุตัวทํานาย (predictors) ที่อาจมีผลกระทบต่อค่าตอบสนองที่คุณต้องการศึกษา โดย Minitab มีเครื่องมือที่สามารถใช้งานได้ง่าย โดยเครื่องมือที่ว่าคือ แผนภูมิที่แสดงถึงตัวแปรสัมพัทธ์ (relative variable) ที่สำคัญ คุณสามารถเรียนรู้เพิ่มเติมได้ที่ webinar, DOE in Practice ตาม link ด้านล่างนี้ ซึ่งเชื่อมโยกับตัวอย่างด้านล่างนี้
ปัญหาที่ 2: เมื่อคุณต้องการเรียกใช้การทดลองที่ออกแบบไว้ แต่ไม่มั่นใจเกี่ยวกับช่วงที่เหมาะสม (เช่น ขีดจํากัดบนและล่าง) ของปัจจัยที่คุณต้องการศึกษาในการทดลอง (เช่น ค่าระดับ-LEVELS)
ในการใช้ DOEs จะต้องมีการหาค่าระดับของปัจจัยที่แตกต่างกันในการทดลองเรียกว่าค่าระดับ (level) โดยค่าระดับจะเป็นตัวแปรอิสระที่เราจะทำการตั้งค่าไว้แล้ววัดว่าเกิดค่าตอบสนองเป็นเท่าไหร่ในแต่ละระดับ ซึ่งเราเรียกว่าตัวแปรตาม (dependent variable) ตัวอย่างเช่น คุณต้องการเพิ่มประสิทธิภาพความเร็วของอุปกรณ์ชิ้นหนึ่ง โดยคุณต้องการจะหาค่าขีดจํากัดของความเร็วสูงสุดและต่ำสุดที่จะทำให้กระบวนการนั้นมีการทำงานอย่างมีประสิทธิภาพ หรืออีกตัวอย่างหนึ่งเป็นการหาค่าอุณหภูมิของเตาอบที่ใช้อบเค้ก จากประสบการณ์ของคุณคุณรู้ว่าเมื่ออุณหภูมิต่ำกว่า 300F เค้กจะไม่สุกและถ้าอุณหภูมิที่ 400F เค้กที่อบจะไหม้ ดังนั้นคุณต้องการกําหนดค่าขีดจํากัดของอุณหภูมิที่ต้องใช้ในการอบเค้กนี้ แต่ถ้าคุณไม่เคยอบเค้กมาก่อนล่ะ หรือถ้าคุณมีเครื่องจักรใหม่ที่ไม่เคยใช้มาก่อนเลย คุณเองก็ไม่รู้ว่าจะกําหนดค่าขีดจํากัดของปัจจัยที่ต้องการศึกษาได้อย่างไร
ทางแก้ที่ 2: การวิเคราะห์เชิงคาดการณ์สามารถแสดงแผนภาพเพื่อช่วยให้คุณกําหนดค่าขีดจํากัดที่เหมาะสมได้
เมื่อคุณเรียกใช้การวิเคราะห์เชิงคาดการณ์ของ Minitab คุณจะได้ผลลัพธ์แผนภาพที่แสดงให้เห็นถึงผลกระทบที่ตัวแปรหนึ่งตัวหรือหลายตัวแปรนั้นมีต่อผลลัพธ์ที่คาดการณ์ไว้ กรณีที่ต้องการใช้ทํานายค่าผลลัพธ์ วัตถุประสงค์ของแสดงค่าบนแผนภูมินี้ คือ การเน้นให้เห็นว่าความสัมพันธ์ระหว่างค่าตอบสนองและตัวแปรนั้นเป็นเส้นตรง หรือเป็นแบบ monotonic หรือมีความซับซ้อนมากกว่านั้นหรือไม่ การแสดงแผนภาพเหล่านี้มีประโยชน์ต่อการใช้ DOE อย่างมาก
จากตัวอย่างข้างต้นนี้ สมมติว่าคุณกําลังพยายามทําการทดสอบที่ต้องการเพิ่มความแข็งแรง (strength) คุณมีความเข้าใจเบื้องต้นว่าอุณหภูมิแม่พิมพ์มีความสำคัญต่อความแข็งแรง แต่การเร่งเครื่องให้มีอุณหภูมิสูงสุดอาจทำให้เกิดผลเสียได้ เช่น ความร้อนสูงเกินไป หรือ ต้นทุนการผลิตเพิ่มขึ้นโดยไม่จําเป็น
นอกจากนี้คุณยังรู้อีกว่ายังมี interaction ของปัจจัยตัวอื่นๆ ในการทดลอง (เช่น ความดัน) เมื่อดูกราฟจะทราบถึงข้อมูลเชิงลึกว่า อุณหภูมิที่สูงกว่า 1200 ส่งผลให้ความแข็งแรงเพิ่มขึ้นเล็กน้อย ดังนั้นในการทดลองที่ออกแบบจะทำการตั้งค่าระดับอุณหภูมิแม่พิมพ์ให้อยู่ระหว่าง 1,000 และ 1200 โดยมีเป้าหมายเพื่อเพิ่มความแข็งแรงสูงสุดในการทำการทดลอง อย่างไรก็ดีถ้าเป้าหมายคือการลดความแข็งแรง และเมื่อพิจารณาจากแผนภาพจะเห็นได้ว่าการตั้งค่าอุณหภูมิแม่พิมพ์ที่ต่ำกว่าจะได้ผลตามที่ต้องการ
การวิเคราะห์เชิงคาดการณ์เป็นเพียงหนึ่งในเครื่องมือที่ควรใช้ควบคู่ไปกับ DOEs
DOEs เป็นเครื่องมือสําคัญสําหรับผู้ปฏิบัติงานหลายคนและไม่ควรถูกใช้ในวงจำกัด ดังที่ได้กล่าวไปแล้วการวางแผนมีความสําคัญต่อความสําเร็จของ DOE ซึ่งเป็นเหตุผลที่ Minitab สร้างแผ่นงานการวางแผน DOE (DOE Planning Worksheet) ที่ถูกสร้างขึ้นเพื่อช่วยในการวางแผนโดยเฉพาะ หากคุณยังใหม่กับ DOEs หรือเพียงแค่เพิ่มหรือพัฒนาทักษะของคุณ Minitab มีทางเลือกต่างๆที่ช่วยคุณได้ในหลายรูปแบบตามที่คุณถนัด
ต้องการเรียนรู้เพิ่มเติมหรือไม่ เชื่อมต่อกับเราวันนี้
บทความต้นฉบับ : Predictive Analytics: The Perfect Partner to Help Plan Your DOE
ต้นฉบับนำมาจาก The Minitab Blog, แปลและเรียบเรียงโดยสุวดี นําพาเจริญ
บริหารจัดการ SCM Blog โดยชลทิชา จํารัสพร, บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ