有很多这些天大数据的热议．有时候，我们一浏览科技博客或推特，就会被这些令人作呕的词轰炸。无论你认为这是一个当前的挑战，还是一堆毫无意义的炒作，有一件事要记住:当每个人都在垂涎大数据时，“小数据”可能会迷失。
比如，丹·萨默斯就是这么认为的。上个月，他在伊利诺伊州芝加哥附近的SAP制造业论坛上就这一主题发表了演讲，LNS的马修·利特菲尔德(Matthew Littlefield)也在会上发言。活动结束后，我联系上了萨默斯，了解了他对未来的看法数据分析的下一个领域．
在本文中，我们将介绍一种处理数据和数据的创新方法根源分析，并讨论摩托罗拉如何使用它来识别和纠正代价高昂的无故障发现(NFF)退货问题。
当六西格玛失效时
所以，六西格玛是一个非常严格的模型用于流程改进和最小化制造中的错误，对吧?这可能是对的，但有时结果会有所不同。这就是Dariusz Ceglarek教授的工作原理。这位当时位于威斯康辛州的制造业数据专家研究了制造业中与六西格玛故障相关的信息，以确定为什么像六西格玛这样的流程解决问题缓慢，而且已经解决了问题生产质量的差距(和成本)和产量。
萨默斯偶然发现了这位教授的研究成果，两人发现了一种思想上的协同效应:他们想要找到失败的标记，来解释事情为什么会出错，什么时候出错，以及为什么不能被解释。于是他们成立了Warwick Analytics。
萨默斯解释说:“到目前为止，其他人一直在做的事情都是衡量超出容忍度的失败。“每当出现问题或超出容忍范围的趋势时，人们就会得到警告并采取行动。这很好，但它治标不治本。当过程在容差范围内，仍然发生故障时，我们使用‘容差故障分析’。”
脏数据的新价值?
我们经常谈论“脏数据”——输入到系统中的信息不一定反映现状。我们的控制进程的能力例如，不符合或偏离，仅与数据本身和将其输入系统的准确性一样好。在传统的统计分析方法中，底线是，如果“垃圾”进去了，垃圾就出来了。
这种方法不使用非统计算法，也不需要假设或剔除异常值或其他“噪音”的数据。它也不需要满足失败商数来发现统计学意义。系统总是返回一组“正确的”业务规则(“错误区域”)。如果数据是“脏的”，系统仍然允许采取纠正措施，并识别未来要收集的数据。
它还处理来自不同来源的不同的、异构的、低级数据:例如，维护、保修、测试、供应链和ERP——Somers称之为“无聊的东西”。它可以大数据工作以及有限的数据集或“小数据”。
原则上听起来不错。但实际上呢?为此，让我们来看看六西格玛的发源地:摩托罗拉，它在1986年发明了现在广泛使用的过程改进框架。
摩托罗拉如何找到缝衣针外干草堆
就像任何处理复杂制造的公司一样，摩托罗拉需要解决一系列特定的质量问题——在这种情况下，是在特定的手机型号上。一些NFF音频和电池问题导致手机定期退货。虽然个别组件在返回后测试良好，但很明显，现场的一些间歇性故障造成了问题。NFF问题具有挑战性，因为很难重现症状，更不用说确定问题背后的原因了。
摩托罗拉的工程师和数据专家们集思广益，却找不到一个解释。所以他们采用了这种非传统的方法。
最初，手机出厂前要接受170个参数的测试，以确定它们是否在公差范围内。他们收集了这些数据，并将失败标记(已经出现NFF问题的标记)纳入其中，以发现“不耐受失败”——即单独可接受的变量的独特组合，但组合在一起会导致失败。在某些情况下，一个变量与另一个变量相关联另一个与根本原因相关的变量。这就是东西标准SPC分析不要倾向于评估。
萨默斯解释说:“很多时候，针并不是在干草堆里。在这个例子中，这是正确的。然而，算法能够挖掘测试结果的数据，以隔离故障区域，因此工程师可以将结果信息输入统计过程控制工具，以排除区域并消除问题。很快，退货率大幅下降，保修成本下降，NFF事件消失了，基本上是因为摩托罗拉不让有问题的手机出厂。
水壶是健康监测工具?
从本质上讲，这种根本原因分析的方法可以被认为是基于信号的数据挖掘，它在无聊的、低级的、看似无害的数据中发现信息。这样看:在一个老年住宅里，我们有很多传统的运行状况监视指标来确定一个前辈是否做得好。
但是水壶呢?
居民一天中早上是否开水壶是居民健康和幸福的一个重要指标，尽管它不在标准健康监测指标的所有常见定义之外。水壶的活动是我们可以认为是一个信号，在传统的容差分析之外。相反，它位于“不耐受失败分析”框架的领域，但直接谈到了我们所寻找的最终结果。
这一新兴领域与LNS Research认为的数据分析的发展方向一致。118金博宝app正如本文开头所提到的，大数据通常只与“小数据”一样好，它能够在其大哥呈现的所有噪音中捕捉到“小数据”。看看华威这样的公司如何成长，并试图帮助摩托罗拉这样的公司，将是一件有趣的事情实现卓越运营通过找到字里行间的标记，将SPC提升到一个新的水平。
在用户采用、用户接受和建立输入到系统中的数据的准确性方面，我们只能走到这里，但是新的模型有可能规避这些问题。
“我们不会假设任何数据是错误的，”Somers解释道。“任何事情的发生都是有原因的:如果我们得到集群、离群值、其他接近离群值的数据点——可以说是小数据——我们不做任何假设，我们只是让数据说话。”
