Vi vill alla få ut mesta möjliga av våra processdata men ibland misslyckas vi med det. Kolla vår lista över de 12 dödssynderna vid användning av processdata.

Kämpar du också med dessa problem?

1. Brist på nyfikenhet

Är ditt team uppfyllt av en blind tro på gamla sanningar om processbeteende eller har den stora datamängden blivit ett skrämmande spöke?

Var djärv! Om man inte vill eller vågar söka, så hittar man heller ingenting. Det behövs nyfikna och djärva tag!

2. You can prove anything with facts…

Redan Homer Simpson visste att allt går att bevisa med fakta. Detsamma gäller processanalys. Om slutresultatet är bestämt i förväg och du verkligen vill bevisa det med data, så hittar du säkert ett sätt att göra det. En tillräckligt stor datamassa är som ett stycke mjuk modellera som du kan vrida och vända till den form du vill.

Var ärlig och öppen när du behandlar data.

3. Vad är problemet?

Du tar itu med dina data men har inte hunnit tänka ut ett tydligt mål. Du lär dig säkert något nytt om processen även på det sättet, men resultatet blir rätt magert.

Ställa rätt frågor. Du kan maximera nyttan av resultaten genom att stanna till innan du börjar gräva i datan och fundera på vilken fråga du i första hand vill ha svar på. Ju bättre frågan är avgränsad, desto större är förutsättningarna att du lyckas.

4. Stark övertygelse som leder vilse

I motsats till punkt #2 är du seriös när du analyserar data och är angelägen om att få svar. Ändå kan tysta förväntningar som fått fäste i teamet obemärkt styra analysprocessen mot gamla och föregivet goda slutsatser.

Våga pröva nya metoder, ta med nya variabler och ha ett tillräckligt omfattande mätmaterial. Då finns det plats för nya slutsatser.

5. There is a magic bullet

Det är bara populister som kan få komplicerade helheter att låta enkla. Inbilla dig inte att dataanalys är ett undantag till den regeln! Inte ens ur det allra vackraste dataset kan du få enkla svar på allt (eller om du får det, är svaret troligen oanvändbart) – inte ens med hjälp av Wedge.

I verkligheten lär du dig mer för varje analysomgång och närmar dig resultatet stegvis. Ofta preciseras den ursprungliga frågan under resans gång och till sist har du det rätta svaret, fast på en fråga som formulerats på nytt.

6. Någon annan fixar det

Bråttom, bråttom, bråttom; så brått att skjuta på, att man inte själv hinner upp i vagnen och köra. Men världen är ju full av konsulter; varför inte skicka datan till dem så de får analysera den? Ja, det vore mumma för konsulterna! På köpet får du en smaskig räkning och blir en framtida mjölkko som de kan fakturera varje gång du har ett problem.

Inte vill du väl utlokalisera förståelse av processbeteende och processkompetens? Då ska du inte heller utlokalisera undersökningen av processdata. Det är en viktig del av din kärnkompetens.

7. Vem kan trolla fram en diamant ur skit?

Om den analyserade datan är oduglig är även resultatet skräp. Processdata är nästan alltid oanvändbar i sig själv men icke desto mindre den bästa råvara som står till buds. Det är ju av kol som diamanter skapas.

Förbehandling av data är en av de viktigaste faserna i analysen. Hur rengör du data med dålig kvalitet, kompenserar för processfördröjningar och riktar analysen endast mot den slutprodukt du önskar? Här hjälper det med ett verktyg.

Om du kompromissar i den delen kan du glömma hela analysen. Acceptera råvarans kvalitet och handla därefter, så att slutresultatet blir en diamant.

8. Du försöker ta genvägar

När man saknar metoder är det lätt att man tar genvägar. Deadline närmar sig och arbetet går långsamt.

Kanske väljer du ett avgränsat dataset och hoppar över labbdata helt och hållet? Du gör en ytlig städning av datan och blundar för fördröjningar. Du gör snabba och snäva analyser. Du accepterar att sambandet mellan orsak och verkan blir mycket bräckligt.

Ursäkta, men quick and dirty räcker inte. Satsa på ordentliga verktyg som hjälper dig att göra ett bättre och mer mångsidigt analysarbete, så sparar du tid på riktigt.

9. En plågsam drunkningsdöd

Det finns mycket data. Tiotusentals mätningar, med en sekunds intervall och för flera år. Ambitionen är i topp. Du har ett tydligt mål.

Du vill städa datan med heder och få ett tillräckligt omfattande mätunderlag för analysen. Du itererar, lägger till mätningar i analysen, justerar infallsvinkeln och svettas. Datamassorna börjar ramla över dig och samtidigt märker du att du inte har tillgång till mätdata om allt. Mardrömmar tränger in i dagdrömmarna.

Använd effektiva verktyg som hjälper dig att gräva fram de data som är väsentliga.  Analysera frågorna ur många vinklar och byt snabbt riktning vid behov, så säkerställer du att du håller dig på rätt kurs mot målet.

10. Alltför enkla verktyg för att lösa komplicerade problem

Kvalitetsmätningarna av slutprodukten rör sig som en jojo upp och ned. Du upptäcker periodiska fluktuationer, men du lyckas inte kvantifiera dem eller hitta grundorsaken.

2D-profildata ser inte bra ut, men hur ska du spegla 2D-data mot övriga processdata?

Tänk om fenomenet du studerar är komplicerat på riktigt? Ibland är man tvungen att tillgripa mer kraftfulla verktyg om man vill ha resultat.

11. Brist på processförståelse

Data, data, data. Men data berättar inte allt och det finns ingen, någonsin, någonstans som kan mäta allt. Även i bästa fall kan ett verktyg bara föreslå kandidater till grundorsaker eller konsekvenser. Det är lätt att marknadsföra maskinlärande system som allsmäktiga, men utan ingenjörens processkunskaper är all dataanalys värdelös.

Värdet ligger i slutsatserna, inte i analysprocessen!

12. Bristande kunskaper om dataanalys

Även den allra bästa processexpert blir ställd om han ställs inför stora datamängder utan tillräcklig kunskap om databehandling och utan användarvänliga verktyg.

Ju bättre verktyg man har, desto mindre magiska krafter behöver man för att lyckas med analyserna!  Av den anledningen har vi utvecklat Wedge till ett verktyg som inte kräver att användaren har en dataanalytikers färdigheter för att få resultat.

Tack för ditt intresse!

 

---

Vill du ha mer insikter?

Vårt säljteam är fullt av experter på dataanalys som är redo att hjälpa dig. Läs mer om Wedge industriellt dataanalysverktyg.