{"id":5045,"date":"2024-04-09T16:30:02","date_gmt":"2024-04-09T14:30:02","guid":{"rendered":"https:\/\/www.cartaecartiere.com\/?p=5045"},"modified":"2024-04-09T20:12:28","modified_gmt":"2024-04-09T18:12:28","slug":"i-12-peccati-capitali-nellutilizzo-dei-dati-di-processo","status":"publish","type":"post","link":"https:\/\/www.cartaecartiere.com\/en\/i-12-peccati-capitali-nellutilizzo-dei-dati-di-processo\/","title":{"rendered":"I 12 \u201cpeccati capitali\u201d nell\u2019utilizzo dei dati di processo"},"content":{"rendered":"\n

1. Fare come si \u00e8 sempre fatto<\/strong><\/p>\n\n\n\n

Nel team persiste la cieca fede nelle vecchie abitudini sul comportamento dei processi, oppure grosse quantit\u00e0 di dati si sono trasformate in un forte spauracchio?<\/p>\n\n\n\n

Come evitarlo<\/strong>: siate coraggiosi! Osate esplorare. Una mente curiosa \u00e8 la pietra miliare di tutti i processi di miglioramento e di risoluzione dei problemi.<\/p>\n\n\n\n

2. Dimostrare qualsiasi cosa con i fatti<\/strong><\/p>\n\n\n\n

Persino Homer Simpson<\/em> sa che si pu\u00f2 dimostrare qualsiasi cosa con i fatti. Lo stesso vale per l\u2019analisi dei processi. Se il risultato \u00e8 gi\u00e0 deciso e servono solo dati che lo dimostrino, si trover\u00e0 sicuramente il modo di farlo. Una massa di dati sufficientemente ampia \u00e8 come un morbido pezzo di cera da modellare nella forma desiderata.<\/p>\n\n\n\n

Come evitare questa trappola<\/strong>: siate onesti e aperti quando si elaborano i dati. <\/p>\n\n\n\n

Spesso le analisi vengono affrontate con entusiasmo e buon umore, ma nelle prime fasi del processo si verificano subito delle battute d\u2019arresto. La ragione \u00e8 spesso fin troppo umana: colme di entusiasmo, le persone non considerano a fondo come affrontare il problema e con quali aspettative. Questo si traduce spesso in frustrazione. <\/p>\n\n\n\n

3. Qual \u00e8 esattamente il problema?<\/strong><\/p>\n\n\n\n

I dati vengono analizzati con foga senza prendersi il tempo necessario per pensare a un obiettivo chiaramente definito. In questo modo si imparano sicuramente nuove cose sul processo, ma i risultati tendono a rimanere scarsi.<\/p>\n\n\n\n

Risolvere la problematica<\/strong>: porsi le domande giuste. Per massimizzare i benefici dei risultati, prima di iniziare a trattare i dati, fermatevi un attimo e pensate a quale domanda, pi\u00f9 di tutte le altre, si vuole trovare risposta. Quanto meglio \u00e8 delineata la domanda, tanto migliori saranno i prerequisiti per il successo.<\/p>\n\n\n\n

4. Una forte convinzione crea ossessione <\/strong><\/p>\n\n\n\n

A differenza del punto n\u00b0 2, si stanno analizzando seriamente i dati e si \u00e8 desiderosi di trovare risposte. Tuttavia, i taciti presupposti del team possono sottilmente indirizzare il processo di analisi verso una vecchia conclusione che si presume essere buona.<\/p>\n\n\n\n

Come evitarlo<\/strong>: sperimentare nuovi metodi, incorporare nuove variabili nell\u2019analisi e mantenere sufficientemente ampio l\u2019insieme di misure da studiare. In questo modo, ci si assicurer\u00e0 che rimanga spazio a nuove conclusioni. <\/p>\n\n\n\n

\"\"
Wedge riunisce i dati provenienti da pi\u00f9\nfonti in un\u2019unica piattaforma intuitiva.<\/figcaption><\/figure>\n\n\n\n

5. Esiste una pallottola magica<\/strong><\/p>\n\n\n\n

Le cose complesse sono semplici solo nei discorsi superficiali. Non pensiamo che l\u2019analisi dei dati sia un\u2019eccezione! Anche la serie di dati pi\u00f9 bella non dar\u00e0 una risposta diretta a tutto (o forse s\u00ec, ma la risposta sar\u00e0 probabilmente inutile).<\/p>\n\n\n

\n\t
\n\t\t\n\t\t\t\n\t\t<\/a>\n\t<\/div>\n<\/div>\n\n\n\n

Come risolverlo<\/strong>: prendere il tempo necessario. Si Imparer\u00e0 di pi\u00f9 a ogni sessione di analisi e ci si avviciner\u00e0 alla soluzione passo dopo passo. Spesso la domanda iniziale verr\u00e0 perfezionata lungo il percorso e alla fine si otterr\u00e0 la risposta corretta alla domanda che \u00e8 stata riformulata.<\/p>\n\n\n\n

6. Se ne occupa qualcun altro<\/strong><\/p>\n\n\n\n

Occupatene tu! In questo modo ci si assumer\u00e0 la piena responsabilit\u00e0. Lo sappiamo, il mondo \u00e8 pieno di consulenti, quindi si potrebbe pensare di lasciare i dati nelle loro mani. Questo s\u00ec che farebbe comodo\u2026 ma ai consulenti. In pi\u00f9, si otterr\u00e0 un conto salato e un futuro da \u201cvacca da mungere\u201d.<\/p>\n\n\n\n

Come evitarlo<\/strong>: Non vorrete di certo esternalizzare la comprensione del comportamento e della competenza dei processi. Quindi, non affidate a nessuno l\u2019analisi dei dati di processo. \u00c8 una parte importante delle vostre competenze di base.<\/p>\n\n\n\n

7. Dal letame nascono i diamanti?<\/strong><\/p>\n\n\n\n

Se i dati analizzati non sono buoni, anche i risultati saranno inutili. I dati di processo in quanto tali sono quasi sempre inutili, ma sono comunque la migliore materia prima disponibile. Dopo tutto, anche i diamanti sono fatti di carbonio.<\/p>\n\n\n\n

Come affrontare la questione<\/strong>: utilizzare gli strumenti giusti. La pre-elaborazione dei dati \u00e8 una delle fasi pi\u00f9 importanti dell\u2019analisi. Ma come si fanno a ripulire i dati errati, a compensare i ritardi di processo e a concentrare l\u2019analisi solo sul prodotto finale desiderato? <\/p>\n\n\n\n

Uno strumento di analisi dei dati di processo come Wedge<\/strong> vi aiuter\u00e0 in questo. Se si scende a compromessi su questo aspetto, si potr\u00e0 dimenticare tutto il processo di analisi. Bisogna riconoscere la qualit\u00e0 della materia prima e agire in modo tale da ottenere un risultato finale simile a quello di un diamante.<\/p>\n\n\n\n

8. Cercare di smussare gli angoli<\/strong><\/p>\n\n\n\n

In assenza di strumenti, si \u00e8 tentati di \u201csmussare\u201d gli angoli. Le scadenze incalzano e il lavoro sembra richiedere molto pi\u00f9 tempo di quello che si ha a disposizione. Magari si pensa di dover scegliere un set di dati limitato e ignorare completamente i dati di laboratorio? <\/p>\n\n\n\n

In questo modo si puliscono i dati in modo superficiale, ignorando i ritardi. Inoltre si fanno analisi rapide e ristrette. Infine, si accetta che la comprensione delle relazioni causali rimanga molto debole. Spiacenti, ma un\u2019analisi rapida e sporca non basta.<\/p>\n\n\n\n

Cosa fare<\/strong>: investire in strumenti adeguati che consentano di effettuare analisi migliori e pi\u00f9 versatili, e di farlo in modo semplice e veloce.<\/p>\n\n\n\n

9. Morte per annegamento<\/strong><\/p>\n\n\n\n

I dati sono tantissimi. In una cartiera, ogni secondo vengono effettuate decine di migliaia di misurazioni. \u00c8 facile farsi sopraffare dalla mole di dati. Tuttavia, non vorrete perdere nulla di rilevante, quindi ripulite accuratamente i dati e prendete in considerazione un insieme sufficientemente ampio di misure nell\u2019analisi.<\/p>\n\n\n\n

Si reitera, si aggiungono misure all\u2019analisi, si perfeziona l\u2019angolo di incidenza. E si suda. Tuttavia, le masse di dati iniziano a sommergerci e allo stesso tempo ci si accorge che i dati di misurazione non sono onnicomprensivi. Gli incubi inizieranno a invadere i sogni ad occhi aperti.<\/p>\n\n\n

\n\t
\n\t\t\n\t\t\t\n\t\t<\/a>\n\t<\/div>\n<\/div>\n\n\n\n

Come evitare questa trappola<\/strong>: utilizzare strumenti potenti utili a \u201cscavare\u201d i dati essenziali. Analizzare i fenomeni da pi\u00f9 prospettive e cambiare rapidamente direzione, se necessario, per assicurarsi di rimanere sulla strada giusta per raggiungere l\u2019obiettivo.<\/p>\n\n\n\n

10. Strumenti semplici per affrontare problemi complessi<\/strong><\/p>\n\n\n\n

La misurazione della qualit\u00e0 del prodotto finale \u00e8 volatile. L\u2019occhio rileva le variazioni periodiche, ma non \u00e8 possibile quantificare o individuare la causa principale. I dati del profilo 2D sembrano negativi, ma come si fa a confrontare i dati 2D con gli altri dati di processo? E se il fenomeno che si sta analizzando \u00e8 davvero complesso?<\/p>\n\n\n\n

Come risolverlo<\/strong>: investire in uno strumento in grado di gestire casi pi\u00f9 impegnativi e di eseguire analisi e diagnosi avanzate, come ad esempio l\u2019analisi e la diagnosi dei profili 2D rispetto ai dati di processo, l\u2019analisi e la diagnosi dello spettro e l\u2019analisi dei batch.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

11. Mancanza di comprensione dei processi<\/strong><\/p>\n\n\n\n

Dati, dati, dati. Tuttavia, i dati non dicono tutto e nessuno sar\u00e0 mai in grado di misurare tutto. Anche nel migliore dei casi, uno strumento pu\u00f2 solo suggerire le cause o gli effetti principali. I sistemi di apprendimento automatico sono facili da commercializzare come onnipotenti, ma senza la competenza dei processi che pu\u00f2 avere un ingegnere, tutte le analisi dei dati risulteranno inutili.<\/p>\n\n\n\n

Come evitare questa trappola<\/strong>: fidarsi del cervello umano. La conoscenza, l\u2019esperienza e il giudizio degli esperti di processo sono insostituibili. Il valore \u00e8 nelle conclusioni, non nel processo di analisi.<\/p>\n\n\n\n

12. Mancanza di competenza nell\u2019analisi dei dati<\/strong><\/p>\n\n\n\n

Anche il miglior esperto di processi rimarr\u00e0 perplesso se viene sollecitato ad analizzare i dati senza una sufficiente competenza nell\u2019elaborazione e senza strumenti di facile utilizzo. Come affrontarlo: investire in strumenti facili da usare che non richiedano all\u2019utente le competenze di un analista di dati per ottenere i risultati. Migliori sono gli strumenti, minori saranno i poteri magici necessari per avere successo nelle analisi. <\/p>\n\n\n