如何做数据挖掘与分析

很多质量的检测项目都是测量“产量”、“合格/不合格”、“通过/不通过”或“符合/不符合”这些弱指标的，这类数据属于计数型数据，具体而言，都属于不良数据，这类数据的计量结果通常都计为1或0。

不良数据的价值是帮助使用者描述感觉：好或者不好，而不关心数据所指的具体对象。如果产量不好，就需要提供更有力的变量型数据来隔离或者解决其中的问题。计量型数据可以用连续、随机的数值来统计，例如长度、高度、直径、压力、百分比、温度等等。

企业针对工业数据常常犯的一个较大的错误就是：将大量计量型数据简单粗暴地转化为“通过/不通过”这类计数型数据。从另外一个角度来看，统计结果的可靠性更多的依赖人为判断，并没有具体的现场数据作为强有力的证据支撑。

在数据采集变得越来越容易的当今，仅仅收集数据，只是成功的步而已。要想将制造数据的价值真正挖掘出来，做到较大化的有用且，可从以下三个方面来计划：

步，明确数据采集的源头。需要对内部现有的仪器设备做一个全面的排查，明确哪些数据是手工采集、哪些数据能够借助接口自动采集，并做进一步的规划，明确数据采集的时间频率、采集的关键信息点、控制图分析类型、控制指标、异常处理等信息。

第二步，明确数据的可用性。有的数据用来做实时的现场判断，有的用来做长期的战略决策，而有的，其实只是占用空间而已，没有实际价值。实时采集到的数据需要通过专业的分析和报警工具，提醒用户确定是否需要对生产做出调整，同时，确保生产制程的稳定性。 用于制订长期战略决策的数据，必须从长期的维度来挖掘、分析数据，找到较关键的数字趋势，突出值得关注的信息。而大量无关紧要的数据，较好及时处理、释放内存空间。

较后一步，数据价值的衡量指标。对于收集的数据，有哪些衡量指标？这些指标对自上而下和自下而上的决策是否产生影响？它们能否对正确的行为给予回报和奖励？

温馨提示：为不影响您的学业，来校区前请提前联系咨询，方便我校安排相关课程的专业老师为您解答~