เมื่อเรามีการเก็บข้อมูลจำนวนมากขึ้นในกระบวนการทำงาน เราอาจจะต้องมีการใช้เครื่องมือใหม่ๆในการทำความเข้าใจเชิงลึกที่ได้จากข้อมูลเหล่านั้น ในปัจจุบันเรื่องของ machine learning ได้มีการนำมาใช้ควบคู่ไปกับเครื่องมือทางสถิติแบบดั้งเดิมเพื่อช่วยในการวิเคราะห์ ปรับปรุงและควบคุมกระบวนการทำงาน
ในบทความนี้จึงเป็นเรื่องเกี่ยวกับตัวแบบถดถอยโลจิสติคส์แบบทวินาม (binary logistic regression) และ Classification and Regression Trees (CART®)
Editor’s note: An earlier version of this post showing CART in Salford Predictive Modeler was published in March 2018. We have updated it to show CART in the latest version of Minitab.
การค้นหาสาเหตุรากเหง้าของความผันแปรของกระบวนการฟอกสีในขั้นตอนการผลิตเยื่อกระดาษ
ในกรณีศึกษาตามตัวอย่าง ตามที่เราเห็นว่ามีสัดส่วนสิ่งบกพร่องเท่ากับ 2.9% เราจะเริ่มต้นด้วยการค้นหาสาเหตุรากเหง้าว่าอะไรทำให้เกิดสิ่งบกพร่องที่เกิดในกระบวนการผลิต โดยใช้ตัวแบบถดถอยโลจิสติคส์แบบทวินาม ซึ่งจาก Minitab เราสามารถให้ตัวแปรตอบสนอง (response variable) เป็นค่าว่าผลลัพธ์ที่ได้จากกระบวนการผลิตซึ่งเท่ากับสิ่งบกพร่อง (defective) หรือ ไม่บกพร่อง และเมื่อนำข้อมูลเหล่านี้ไปสร้าง residual plots เราพบว่าตัวแบบถดถอยโลจิสติคส์แบบทวินามที่ได้ไม่สามารถใช้อธิบายเหตุการณ์ของการเกิดสิ่งบกพร่องได้
แนวทางตาม CART (The CART Approach)
CART คือ กลไกการแก้ปัญหาด้วยแนวคิดแบบ decision tree โดยมีขั้นตอนการทำงานคือ สร้างเซตของการให้คำตอบของค่าตัวแปร Y แบบ ใช่ หรือ ไม่ใช่ โดยแบ่งเป็นส่วนๆตามตัวแปร X ส่วนของ CART ใน Minitab ถ้าพิจารณาในตัวอย่างนี้ เมื่อตัวแปรทำนายตัวหนึ่ง คือ ค่า Discharge pH ซึ่งพบว่ามีผลอย่างมากต่อการเกิดสิ่งบกพร่องในกระบวนการผลิต
จากการวิเคราะห์ที่พบได้จากตัวแบบ คือ ถ้าค่า discharge pH <= 7.739, จะได้สัดส่วนสิ่งบกพร่องค่อนข้างสูงคือ 17.7% และถ้า ค่า discharge pH >7.739 จะได้สัดส่วนสิ่งบกพร่องค่อนข้างต่ำ
บทความต่อเนื่อง : การใช้ CART เป็นทางเลือกในการวิเคราะห์ข้อมูลที่จัดเป็นกลุ่มจากการตอบแบบสอบถาม
กราฟที่ได้จาก Minitab ข้างใต้ อธิบายได้ว่าเหตุใดกฎถึงได้สมเหตุสมผล โมเดล CART ค้นหาตัวแปรและ setting ที่ดีที่สุดในการแบ่งแยกกลุ่มตัวแปรตอบสนอง Response = Pass ออกจากกลุ่ม Response = Fail , สถานการณ์นี้ตัวแปรและ setting คือ discharge pH อยู่ที่ 7.739
ตัวแบบที่ได้จาก CART ยังสามารถขยายรายละเอียดเพื่อดูส่วน settings ที่ส่งผลต่อการเกิดสิ่งบกพร่อง ซึ่งทำให้สามารถหาค่า X ที่มีความสำคัญจริงๆต่อการเกิดสิ่งบกพร่อง ซึ่งเอาไปใช้ในการควบคุมและลดจำนวนสิ่งบกพร่องจากกระบวนการผลิตได้
ซึ่งจากกรณีตัวอย่างนี้ ตัวแบบสมบูรณ์ของ CART ที่ใช้ในการแบ่งกลุ่มด้วยค่า discharge pH และอัตราการผลิตที่สัมพันธ์กับการเกิดสิ่งบกพร่องในการผลิตแสดงไว้ในกราฟด้านล่างนี้
พร้อมทดลองใช้ด้วยตัวคุณเองหรือยัง?
บทความต้นฉบับ : Trimming Decision Trees to Make Paper: Predictive Analytics and Root Cause Analysis in Minitab
ต้นฉบับนำมาจาก 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