業務におけるデータ分析（データ分析の考え方や生産品質シナリオのケーススタディを解説した記事が1つあります！）

この記事では、生産品質シナリオのデータ分析のアイデアとケーススタディについて説明します。

今日は、製造業のデータ分析という一般的なテーマに続いて、品質管理のデータ分析についてお話ししたいと思います。

品質管理とは、生産される製品の品質を管理することです。その最終的な目標は、顧客が受け取る製品の品質を保証し、顧客満足度を向上させ、返品や修理の件数を減らすことです。品質管理には 3 つの主要なリンクがあります。最初のリンクは生産リンクであり、製品品質の管理が必要です。 2 番目のリンクはアフターセールス リンクであり、顧客のアフターセールス管理が必要です。 3 番目のリンクは改善リンクであり、品質改善の管理が必要です。

この記事では主に、製造プロセスにおける製品品質に関するデータ分析を実施する方法について説明します。次の例では、BI を使用して製品品質データを分析する方法を示します。

01

ビジネス背景の洞察

製造会社の品質管理部門の営業として、生産工程の監視、異常リスクの予防、製品品質の評価を日々担当しています。品質管理部門は毎月/四半期/毎年評価を実施します。部門は、会社の経営陣に定期的にレポートを報告し、主要な指標の状態を示し、経営陣が業務や生産の意思決定を行うのを支援する必要があります。このタスクは、部門内のデータ分析担当者が担当します。

02

分析計画を作成する

製品の重要品質特性（CTQ）は多数あるため、リーダーとコミュニケーションをとった結果、今回は製品重量を唯一の焦点指標として選択しました。次に、検査バッチ合格率とコンプライアンス率の 2 つの計算指標を導出して選択し、分析します。これら 3 つの指標はすべて、トレンドに沿って時間軸に拡張でき、他の軸と組み合わせて共同分析を行うこともできます。

分析に必要なデータを収集することで、製品サンプリング時間、生産単位、ユニットスケジュール、品質検査員シフト、ブランドカテゴリ、市場分類、コンプライアンスライン (mg)、平均重量 (g)、重量 SD (g)、不適格サンプル数などのフィールド構造を取得できます。

指標と得られたフィールドを組み合わせることで、製品品質分析に関する次のような一般的な考え方を導き出すことができます。

• まずはマクロ的な視点で指標を全体的に把握し、詳細なデータをインデックスできるようにします。
• 次に、時間軸で傾向の比較とドリルダウン分析を行い、異常なリスク カテゴリを明らかにします。
• 合格率と規格適合率のABC分析を実施し、合格率と規格適合率の向上を阻害する要因を特定し、製品品質の最適化と向上を促進します。
• 複数の名義変数（数値変数はビンに分割され、変換されます）の場合、サンキー図を視覚化し、ノードパス分析を実行して、工場全体のさまざまな生産管理動作間の関係を見つけ、パターンを発見してボトルネックを探すことができます。
• さらに、重量 SD とそのコンプライアンス ラインおよび市場分類の間には明確な対応関係があり、つまり、市場分類 12 の重量 SD は 18.5 mg であり、これは最も厳しい要求です。続いてカテゴリー3の重量SDは20mgです。カテゴリー45の重量SDは21mgと比較的緩いです。以下の3つのカテゴリーに従って比較分析を実施しました。

次に、FineBIを使用して実際の操作を実行し、データ分析を実行します。

03

データ処理

データセットの抽出:

上記のフィールドは、年間サマリーの月次生産品質検査データ テーブルから抽出されたものです (特記事項: 9 月は工場停止のためデータがなく、1 月は工程検査データがありません)。

データセットのマージ:

抽出された転送とプロセス検査の 2 つのプロセス セグメント データ セットが上下にマージされます。 (特記事項: サンプリング検査の頻度は、転送プロセス セクションでは、各ユニット、各シフト、および各品質検査員のシフトに対して 1 つのサンプリング検査のみが行われます。プロセス検査プロセス セクションでは、各ユニット、各シフト、および各品質検査員のシフトに対して、複数のサンプリング検査が行われます。これをマークするために、新しい計算フィールド「サンプリング検査順序」がセルフサービス データ セットに追加されます。)

新しい計算フィールドを追加します:

• 価格タグ: 「ブランド カテゴリ」と「市場カテゴリ」の 2 つのテキスト ディメンション フィールドを結合して接続します。
• 重量SD（mg）：重量×1000で単位のグラムをミリグラムに換算し、「平均重量」もミリグラムに換算します。フィールド名は「重量（mg）」です。
• 適格かどうか（標準を満たしているかどうか）：詳細なデータセット操作の場合、不適格なサンプルの数がゼロの場合は 1 としてマークされ、適格であることを示し、それ以外の場合は 0 としてマークされ、不適格であることを示します。重量 SD が標準ラインより大きくない場合は 1 とマークされ、標準を満たしていることが示されます。それ以外の場合は 0 とマークされ、標準を満たしていないことが示されます。
• 合格率（コンプライアンス率）：集計関数を使用して、新しい集計フィールドを追加します。合格率 = 合格数 / テスト総数、つまり「合格または不合格」数 / 記録数。適合率 = 適合数 / テスト総数、つまり「適合または不合格」数 / レコード数 (特記事項:合格率は重量品質検査合格率、適合率は重量 SD 適合率)。
• 年/月/日/四半期: 日付関数を使用して、「製品サンプリング時間」フィールドから個別に抽出します。

データクリーニング:

• 外れ値処理: 異常なデータ レコード 1 件が削除されました。加工手順の工程検査中に、重量値が635.7mgという記録があり、全体の分布より明らかに200mg以上低いことが判明しました。早番の品質検査員によって測定されました。調査の結果、操作ミスの疑いがあったため、削除しました。
• 欠損値処理：データセットの欠損値をチェックした後、定数値で補間します（データマイニングに使用する場合は、統計値置換やモデル予測置換などの補間手法を使用できます）。例えば、ブランドカテゴリ、生産単位、シフトなどのテキストフィールドの値が欠落している場合は、確認後に定数補間が実行されます。

04

具体的な分析と実践

この部分では、全体の分析の本質の詳細な分析アイデア、コンプライアンス率の診断分析、重量とその合格率、および SD コンプライアンス率の相関分析を皆さんと共有します。

1. コンプライアンス率の診断と分析

この分析モジュールは主に時間の次元からの分析を行います。

コンプライアンス率を時系列で分析したところ、コンプライアンス率は第 2 四半期と第 4 四半期に急激に低下し、その後回復したことがわかりました。さらに深く掘削してみると、6月と12月に最低点に達したことがわかりました。具体的な傾向を観察すると、コンプライアンス率の低下は周期的であることがわかります。このままでは、2022年初頭にはコンプライアンス率が50％を下回ると予想されており、これは恐ろしいことです。

コンプライアンス率のこの下降傾向の原因は何でしょうか?私たちはさらに深く掘り下げて、異なる市場カテゴリーに属する製品のコンプライアンス率が特定の時点で異なる反応を示すかどうかを比較し続けます。

12 種類の製品

3種類の製品

45 種類の製品

比較すると、3 種類の製品の規則的な曲線が全体的な曲線の輪郭に似ていることがわかります。一貫性は非常に低いですが、トレンド予測は非常に優れています。それどころか、45種類の製品では衰退の兆しが明らかだ。したがって、カテゴリ 12 と 45 の品質向上と安定性に重点を置く必要があります。

各サブカテゴリーの生産情報をもとに分析を行います。

上図からわかるように、12の分類の中でYLの生産量が最も多く、その生産に協力する機械は工場全体で10台あります。 45カテゴリーのT-King同様、工場全体で力を注いだ製品です。しかし、カテゴリー12の適合率はわずか52.58%で、合格ラインを大きく下回っています。今後は、生産を継続するか、品質を向上させる方法を見つけるかを検討する必要があります（このカテゴリの製品自体に技術的な設計上の欠陥があるかどうかは、今後総合的に調査および検討する必要があります）。その後、市場内の類似メーカーや業界内の同一製品を比較することで競合調査・分析を実施し、改善方法を模索し続けることができます。

2. 体重、合格率、SD適合率の相関分析

この分析モジュールでは、さまざまな値の次元から分析して、一貫したパターンが見つかるかどうかを確認します。

市場分類 - 12 の製品カテゴリ

市場分類 - 3種類の製品

市場分類 - 45 の製品カテゴリ

グラフから、一貫したルールがあることがわかります。つまり、さまざまな製品を MECE 原則に従って分解すると、一貫した客観的なルールがあります。製品の重量が一定の範囲内で増加すると、基準を満たすほとんどの製品の SD 値がすぐに増加し、対応するコンプライアンス率がある程度低下します。

もちろん、結果の法則には前提条件が必要です。制限された条件を超えると、外れ値の発生は避けられません。ただし、定常状態の生産プロセスでは、多数の外れ値が発生すると、生産プロセスはすでに大きなリスクにさらされていることになります。

05

完全なデータ分析レポート

この作品は2022 Fanruan BIデータ分析コンテストに由来しており、著者は「Shi Bing」です。