JMP® für Visual Six Sigma

Six Sigma kann als Verwaltung von Variationen in Bezug auf die Anforderungen definiert werden. Sie können das breite Repertoire grafischer Ansichten in JMP entweder isoliert oder in Kombination mit einer dynamischen Bewertung der Struktur Ihrer Daten verwenden. Sie erkennen sofort die dominanten Variationsquellen, die wirklich wichtig und nicht nur einfach statistisch signifikant sind. Mit dieser dynamischen Visualisierung können Sie weit über das mit statischen Diagrammen Mögliche hinausgehen. Sie ist zwar in allen Lagen ein wichtiges Element, wird aber besonders interessant, wenn Ihre Daten komplexer werden, weil die Spalten und Zeilen zunehmen.

Auch bei Daten mit hohem Dimensionsanteil bringt ein geeigneter Einsatz der dynamischen Visualisierung in Kombination mit Ihrem Verständnis der Daten oft eine Untergruppe von X hervor, die allein oder in Kombination die Ergebnisse, also das Y, beeinflussen, die für Sie von Interesse sind. In Situationen, in denen dieser Ansatz nicht informativ ist, oder wenn Sie nur einfach zu viele Variable haben, bietet JMP auch leistungsstarke statistische Ansätze, die die Dimensionalität effektiv reduzieren, aber die Information bewahren. Wenn Plattformen wie Partition, Cluster und Diskriminante für die Erkundung von Beziehungen verwendet werden, sind sie oft erfolgreich bei der Isolierung von Hot X, die dann für eine definitivere statistische Modellierung verwendet werden können, wenn dies sinnvoll und nützlich ist.

Daten erfassen und mit ihnen arbeiten kostet immer Zeit und Geld. Solange Ihre Ergebnisse nicht wirklich eingesetzt werden, um nachfolgende Entscheidungen und Aktionen zu steuern, wird Ihre Arbeit eher Wertvernichtung sein als Wertschöpfung. Ein wichtiger Teil dieses Prozesses ist die Kommunikation der Ergebnisse an einen breiteren Zuhörerkreis. Da man sich in der Praxis meist mit Kompromissen beschäftigt, müssen Sie sich nicht nur um Kommunikation kümmern, sondern auch um Konsens. Die Profiler und Simulatoren in JMP sind speziell dafür eingerichtet. Teams werden dadurch in die Lage versetzt, sinnvolle und schnelle Bewertungen zu erstellen und Was-wäre-wenn-Szenarios zu erstellen, die das Kontextwissen verwenden, um zu ergänzen, was die Daten enthalten. Ohne dabei aber durch die technischen Aspekte der Modellierung behindert zu werden.