データマイニングとは
データマイニングとは大量のデータの中から、業務上有効な統計的有意性のある情報を取り出すデータ解析技術の一手法です。この手法の成功事例は、主に金融や流通の分野に見られ、最も活用しているのは証券のアナリストであるといわれています。 AnalysisForce/DMは、従来実用に向かないとされてきた製造業の分野でもデータマイニング結果が得られるようにしたところに大きな特徴があり、不良要因を抽出し歩留り改善活動を強力に支援します。
従来のデータマイニングツールとの比較
| 従来のデータマイニングツール | AnalysisForce/DM | |
|---|---|---|
| 適用業種 | 主に金融、流通業 | 主に製造プロセス |
| 主目的 | ビジネス戦略の決定 | 改善活動方針決定 |
| 対象 | 主に社会的心理的現象 | 主に自然科学的現象 |
| データ | 比較的単純な属性 | 多様な属性 |
| レコード | 大量(100万件以上の場合も多い) | 比較的少量(100件以下の場合も多い) |
| 変数 | 比較的少量 | 大量で追加の可能性大 |
| 結果の検証 | 科学的検証が難しい | 科学的検証がしやすい、重要である |
本製品・サービスに関するお問い合わせ
AnalysisForce/DMのアピールポイント
AnalysisForce/DMの最大のアピールポイントは容易に使用できることです。 一般に統計解析ツールを使うには、各目的に合った解析手法を選び、グラフや表を作成して分かりやすく結果を示す必要があります。また解析実行時に設定するパラメーターや出力される数値を理解し、活用するにはかなりの経験、技術を要します。 AnalysisForce/DMではこのような解析者の負担となる要素をできるだけ排除しました。 また、データマイニングの技術を使い、データ解析時間の大幅短縮が可能となりました。
対象分野を絞り込んだAnalysisForce/DM
汎用統計解析パッケージの課題
多くの汎用統計解析パッケージでは、統計解析手法のどれをどのような手順で使うかは、全て解析者が判断する必要があります。したがって、
- 目的に合致した結果が得にくく、多くの工数を必要とします。
- 多くの機能がありますが、使いきるには習熟・技術が必要です。
- 解析の途中でデータ変換が入る場合が多く、解析時間が延びます。
等の課題があります。
AnalysisForce/DMによる解決策
AnalysisForce/DMは、特に複雑な製造プロセスデータを解析するのに適しています。 製造プロセスデータ解析者に必要な手法および機能を備えているので、すぐ使いこなせます。例えば、
- 欠損や外れ値の多い製造プロセスデータに適した異常値処理が揃っています。
- すぐに適した解析手法と手順で解析できます。
- 必要なグラフや表がすぐ表示されます。
という機能を有しています。
導入後すぐ運用可能
- 運用立ち上げ期間や工数が汎用統計解析パッケージに比べ大幅に少なくて済みます。
- 容易にインストールでき、また面倒なパラメーター設定等もほとんど不要です。
富士通工場での豊富な使用実績
富士通工場での豊富な使用実績があり、操作が容易なため、日常的に使用され、半導体以外の工場でも使用されています。
ニーズに合った独自な機能を多く搭載
開発者自身がデータ解析業務を兼務をしており、ニーズに合った独自な機能を多く搭載しています。
最適化された解析手順を包含
製造プロセスデータ解析用に最適化された解析手順を内蔵しており、解析者による処理内容判断が容易となっています。
本製品・サービスに関するお問い合わせ
解析効率と解析信頼性をアップ
AnalysisForce/DMが無い場合
AnalysisForce/DMを活用した場合
AnalysisForce/DMの有無による解析効率の違い
| 無し | 有り | |
|---|---|---|
| 分析手順 | 各工程の分布状態を全てグラフ化 | マイニングを実行して結果を確認 |
| 判断方法 | グラフをすべて見て確認し、判断 | 最も有意差のある工程・装置を抽出 |
| 作業工数 | 多い（数百個ものグラフ描画、比較） | 少ない（条件設定ボタンを押すだけ) |
| 総解析時間の例 | (グラフ描画時間×工程数×複合条件考慮等) = 0.75分×600×3 = 22.5時間 | (前処理+マイニング処理+検証)×繰り返し数 = (2+2+1)分×3 = 0.25時間 |
| 22時間以上の工数短縮 | ||
本製品・サービスに関するお問い合わせ
AnalysisForce/DMを活用した解析手順
AnalysisForce/DMは(1)～(6)に示すようなデータ解析の流れを考慮しており、解析者が解析手法と手順をあまり意識せず容易に使えるようになっています。
(1)解析内容の決定（対象・方法等の選択）
トレンド監視システム等により定期的に、歩留り等の監視を行い、解析内容を決定（対象・方法等の選択）します。
(2)データの準備(抽出・加工）
データは解析を考慮して収集されていない場合もあるうえに、解析目的に応じて加工する場合もあり、そのためのデータの準備(抽出・加工)を行います。
(3)データのクレンジング・編集(Data File Editor)
データには外れ値や欠損値も多く、そのままのデータを使うと誤った解析結果となる危険性があるため、適切にクレンジングします。また、解析手法や内容に合うように加工・編集します。
(4)変数選択・分析実行(Classification)
分析目的を再確認し、適切に変数を選択して、分析を実行します。
(5)分析結果確認・判断(Evaluate)
マイニング結果として、AnalysisForce/DM独自の定量的評価結果も出力されます。また、右図のようなグラフがすぐ出力されるので分析結果確認は統計的知識が少なくても容易にできるようになっています。
| (6) 意思決定 |  |
以上のような機能により、改善活動のための意思決定がすばやく容易に行えます。是正措置遅延による損失も低減できます。
本製品・サービスに関するお問い合わせ
導入事例 -装置間差解析-
歩留り差は各工程での使用装置差によるとした解析
回帰木図の見方
全ロット数=65、平均歩留り=89%のロット群に対して、歩留りに最も効果があるのは工程aでの使用装置であり、a1を使用した35ロットは平均歩留り値=95%、a2を使用した30ロットは平均歩留り値=82%となります。さらに分割された2つの集合については、各々c工程、b工程での使用装置差が最も歩留りに効きます。すなわち、歩留りが最も低くなるのは工程aでa2、かつ工程bでb2、逆に歩留りが最も高くなるのは工程aでa1、かつ工程cでc1をそれぞれ使用した場合であることが自動的に抽出されます。表は回帰木図と等価で使用装置と歩留り値との関連を示すものです。
改善のための対策
第一に工程aでの使用装置a2、次に工程bでの使用装置b2が組み合わさったことによる悪化要因を調査します。
従来手法との主な差
- 統計的に有意差が大きいものを自動的に抽出します。
- 複合条件に関する情報も抽出します。
本製品・サービスに関するお問い合わせ
導入事例 -X工場A不良改善-
品種：G1、G2、G3
現象：A不良約3%発生
導入の流れ
AnalysisForce/DMにて全工程の処理時刻、号機、工程内検査値と不良率との関係を全て確認
技術的調査が及ばなかった配線c工程にて、特定条件下で装置機種c1とc2に不良率に差を発見
A不良を2%低減、3000万円/月の改善効果
(注) 効果は対象品種の生産量、単価等により大きく変化します。
導入効果
- 大量データの一括処理により → 問題点を自動的に絞り込み
- 結果の独自の結果判断基準を搭載 → 解析信頼性が向上
- 従来手法では判別が困難であった → 複合条件に起因する知見の獲得
歩留り改善、データ解析効率アップ
本製品・サービスに関するお問い合わせ