在2010年代末，我正在为世界领先的家电制造商担任六个西格玛掌握黑带，带领项目提高质量。我们非常成功，通过培训和指导新的六西格玛黑带解决问题，每年节省约3000万美元。那时候，我清楚地记得我不愿意带孩子们去预测分析工具进入混合。我们知道我们错过了什么！
解决问题的速度慢
在那些日子里，黑带被教导通过基于数据的、有计划的实验来解决问题。例如：当我们的一台洗衣机出现新的缺陷时，服务罚单开始堆积如山，我们会验证我们是否能够精确地测量问题，了解问题的变化，也许还可以使用实验设计（DOE）来了解我们的理论和预测解决方案的因果关系。在制造业的新时代（有时称为工业4.0），越来越多的数据可用，高管们开始比以往更快地期待答案。
我们的问题解决者社区有一个确定问题优先级的方法。我们通常会等待服务事故率（SIR）报告，以了解哪些问题最常发生。不幸的是，SIR是一个滞后的指标，当问题发生在我们客户的家中时，往往落后6个月。我们的困境显而易见——我们需要更快地解决这些问题。
将大数据带入制造业
除了曲面问题所需的时间外，我们还难以从小数据转换为大数据。我们的黑带将达到将大量数据降低到阶乘实验设计（DOE）因为这就是事情的完成方式！这就是他们认为他们的主人黑带教会他们的方式。
最后，在制造空间中的主要工程师，主黑带等技术领导者开始采用新创造的“大数据”概念的工具。希望是大数据可以用于最终将现场失败与工厂数据进行链接，以预测并减少保修费用，提高质量。我说这对我们来说这是一个新的概念，因为我们有几年或几十年的数据，我们从不把它整合在一起。
处理服务事故的服务技术人员收集了一些测试数据和我们客户家中破损电器的序列号。。。但是，无论是开发数据还是制造数据，都没有与现场服务数据明确关联。
部分问题包括不同的数据存储方法。人们不知道如何处理这些巨大的灾难ATA消息来源 - 通常没有预算来学习如何结合它们。即使我们可以结合它们，也没有常见的方法来从中获得洞察力。
使用Minitab Connect融合和丰富数据源的数据。了解更多：
建设数据湖
最后，我们投资数百万让顾问帮助我们收集海量数据源，并为分析做好准备。这一“挖掘数据湖”的过程绝非易事。数据湖是大数据世界中的一个术语，我在这里引用它只是为了描述所有这些大数据源是如何组合在一起的。现在，我们有了一个更大的数据集，它允许我们通过序列号将现场故障链接到相同序列号的制造数据。现在，我们可以了解故障设备的共性。
它比你猜到的更难，只是读这个博客，以确定见解。制造中收集了这么多的测试指标。所有这些预测因子之间都有很少的变化，以及如此多的多元形性。如果您只适用于y =阀门故障与100s的预测x ......数据太乱，回归分析没有太大。R ^ 2非常低。我们对任何旧建模技术的信心都很低。
预测分析来自救援
最后，我们的顾问建议我们开始探索预测分析。我们看到它更擅长处理凌乱的数据！我们发现了一些信号并在我们的试点工厂进行了一些改进，测试了这些新方法。我们现在有方法来聚合和准备我们的数据，以寻找这样的见解。
然而，我们的副总裁承诺从这些数据仓库和咨询投资中获得巨大回报。当时，我们有了新的顾问，他们帮助我们找到了许多见解，但他们不是工程师，因此预测分析的结果对他们来说往往没有什么意义。他们不知道家用电器是如何工作的。科学家们所知道的所有数据都是一些终端测试指标预测失败。
最终，在这一昂贵的过程进行了几年后，我的公司决定，它从顾问那里学到了足够的东西，可以自己接管分析工作。具体而言，质量副总裁和黑带领头人的“臭鼬工厂”团队以及一些来自试验工厂的工程师有足够的能力复制顾问的发现。
民主化预测分析在内部
我们的小团队现在非常擅长PA。但是，将此PA方法扩展到整个组织非常困难。问题是，很难使用预测分析，只有少数人感受到能力。组织的其余部分甚至都不知道这发生了，我们将如何开始培养更多的人？它决定了铅大师黑带将收集洞察力，只是教练工程团队，因为他们被资源解决了解决问题。它并不高效。建立专业知识太难了;那时候在PA的众所周所用的更多专家。
了解如何在本网络研讨会中提升您的预测分析技能：
查看PA工具的选项和输出分类和回归树,随机森林， 和特雷内. 你不能仅仅打开你的大数据集然后点击“分析”，你需要很多技巧。这就是为什么数据科学是一件事！
在20世纪10年代末和20世纪20年代初的一段时间里，我们对一些使用PA的产品进行了拆分，而其他产品则继续使用较旧的方法。预测分析支持保修预测、更快的质量改进和缺陷预防。其他使用旧方法的人仍然要等六个月才能得到他们的服务事故率报告，并使用六西格玛工具来解决最常见的问题。
今天的预测分析
当我第一次在10年前开始使用它时，今天的预测性分析是消亡的。它不必是它曾经是复杂和专业的任务。Minitab预测分析自动ml使群众更可访问的预测分析。它可以提出数据中的最佳模型，并允许您使用简单的用户界面来申请备用模型。
我邀请你探索如何组合Minitab Connect.使用Auto ML的Minitab Predictive Analytics来聚合和准备数据，以发现见解，可以让您的生活更轻松，并改善和加速结果。以这种方式在制造业中使用Minitab的产品可以实现质量改进和保修预测，几乎是实时的。在使用这些工具之前，质量改进需要半年或更长的时间，保修预测基于前几年而非本年度数据。这些对我们的客户和利益相关者来说价值数百万美元。