En la era de los macrodatos, resulta tentador desechar los métodos estadísticos tradicionales («datos pequeños») de inferencia, como el diseño de experimentos, en favor de los nuevos enfoques supervisados y no supervisados para conjuntos de datos grandes y desestructurados, que toman los grandes volúmenes de datos disponibles y los trituran para obtener algo parecido a ideas.
Sin embargo, hay que tener en cuenta que estos métodos se limitan a buscar patrones observados entre las variables incluidas; no intentan explicar la naturaleza de esas asociaciones ni, de hecho, discernir entre las asociaciones casuales y las que surgen de un verdadero mecanismo causal subyacente. Aunque no cabe duda de que los métodos de macrodatos tienen su razón de ser en función de la naturaleza del problema, los recursos disponibles y los objetivos específicos del análisis, los experimentos controlados siguen siendo el patrón oro cuando se trata de demostrar la causalidad.
Un enfoque estratégico del diseño experimental
En nuestros seminarios web sobre DOE del mes pasado, defendimos el uso de diseños experimentales sencillos pero rigurosos para establecer relaciones causa-efecto entre múltiples factores y el resultado deseado. Aunque siempre se recomienda simplificar las cosas, hay muchos casos en los que la naturaleza del proceso subyacente es compleja, lo que a su vez requiere un enfoque más matizado de la modelización. En estos casos, la estrategia de experimentación puede ser iterativa, aprendiendo y afinando las preguntas en cada paso para obtener una mayor comprensión. Su recorrido puede ser el siguiente
Paso 1: Utilizar un diseño de cribado, que puede ser de resolución relativamente baja, para cribar el gran número de factores potenciales identificados a través de la lluvia de ideas y los análisis de causa raíz con un número mínimo de ejecuciones.
Paso 2: Si el diseño encuentra que algunos de los factores y/o sus interacciones son significativos con respecto a la variable de respuesta, céntrese en este subconjunto de factores en el siguiente paso con un diseño factorial fraccional o completo de mayor resolución, con repeticiones, que no sólo confirmará la importancia de los efectos, sino que también le permitirá encontrar los ajustes óptimos de los factores para lograr el objetivo deseado para la respuesta. También puede añadir puntos centrales al diseño en esta etapa para confirmar o descartar la curvatura en el espacio de respuesta.
Paso 3: Si el análisis anterior le acerca a la respuesta deseada pero no le da en el clavo, cree un nuevo diseño añadiendo factores previamente pasados por alto pero potencialmente significativos y/o ajustando los niveles de los factores existentes en la dirección del efecto deseado. Esto desplazará o ampliará la región factible para la respuesta óptima. Supongamos que existe una curvatura en el espacio de respuesta. En ese caso, puede aumentar el diseño con puntos «axiales» (ajustes de factores a una distancia específica del centro del diseño) para convertir el diseño en un diseño de métodos de superficie de respuesta (RSM), lo que le permite estimar y modelar la curvatura, dando como resultado un modelo predictivo.
Nota: Dado que un diseño RSM se utiliza para refinar el modelo y hacer predicciones razonables en lugar de determinar si un efecto es real, la precisión de sus predicciones (o, a la inversa, el error de predicción) es una consideración más importante que la potencia en esta etapa.
Paso 4: Supongamos que el modelo final arroja las condiciones de funcionamiento que dan lugar al valor o valores óptimos de respuesta. ¿Ha terminado su trabajo? No tan rápido. Si no confirma sus resultados en el entorno de producción, sus resultados no son más que conjeturas. El pilotaje de los resultados le ayudará a validar el éxito de su experimento, a demostrar el impacto de los cambios propuestos y a verificar que estos cambios no han roto involuntariamente otra parte del proceso.
Buenas prácticas para un diseño experimental eficaz
He aquí algunos aspectos que conviene tener en cuenta y abordar desde el principio para evitar posibles problemas al final del proceso analítico:
- Conozca bien el proceso o sistema con el que va a experimentar, o pida ayuda a un experto en procesos desde el principio. Un conocimiento inadecuado del sistema puede llevar a seleccionar factores irrelevantes o a no identificar las variables críticas que lo rigen. Puede que descubra, por ejemplo, que el espacio de respuesta no es lineal en algunas de sus relaciones; sabiendo esto, puede incluir puntos centrales en el diseño para verificar la curvatura o, si ya está verificado, ejecutar un modelo de superficie de respuesta para especificar el modelo correcto.
- Elija un diseño que esté «a la altura» del objetivo. Si sospecha que las interacciones entre factores están impulsando la respuesta del proceso, no opte por el diseño de menor resolución (res III); tenga en cuenta que un diseño de este tipo hará imposible distinguir entre efectos principales significativos y efectos de interacción de dos factores con alias (confundidos).
- Potencia del diseño para detectar (encontrar significativo) un tamaño del efecto significativamente importante (en el sentido práctico del «mundo real»). Muchas DOE no han logrado identificar efectos significativos (aunque existan) por falta de potencia suficiente. El tamaño del efecto más pequeño previsto, el nivel de significación elegido, el número de réplicas y el error/variabilidad experimental son los niveles de que dispone para mejorar la potencia de su diseño.
- Planificar el proceso para identificar posibles factores molestos en el sistema y controlarlos a un nivel determinado o tenerlos en cuenta en el diseño como factores de bloqueo para evitar cualquier resultado adverso, como que el factor enmascare un efecto real.
- Una forma sencilla de aumentar la potencia estadística de su diseño es realizar mediciones repetidas en cada ejecución del diseño. Esto reduce el error de medición (variabilidad), mejorando así la precisión de las estimaciones y, en última instancia, la potencia del diseño.
Elegir el software DOE adecuado
Al planificar un DOE, es esencial utilizar un software estadístico que le ayude a diseñar y analizar el experimento más adecuado para responder a sus preguntas de investigación. La herramienta DOE de EngineRoom tiene funciones incorporadas específicamente diseñadas para guiarle en la selección de un diseño racionalizado en favor de los recursos necesarios, pero también lo suficientemente potente como para detectar un efecto si existe.
Proporciona una lista completa de diseños factoriales completos, fraccionados y generales para cubrir una amplia variedad de escenarios de DOE. También permite ejecutar algoritmos automatizados para seleccionar el mejor modelo para los datos, lo que facilita la extracción de conclusiones y la adopción de medidas fundamentadas. El uso de EngineRoom para sus experimentos diseñados puede ahorrarle tiempo, reducir costosos errores y ayudarle a tomar decisiones basadas en datos.
Técnicas alternativas al diseño de experimentos
Si se enfrenta a una situación que dificulta la realización de una DOE ordinaria, podría disponer de un diseño o procedimiento diferente para continuar el estudio. Algunos ejemplos:
- Un experimento con una variable de respuesta no continua (digamos, binaria o nominal) puede modelizarse utilizando un método de regresión logística u otro método de regresión no lineal apropiado. El hecho de que el análisis no se base en datos observacionales, sino experimentales, permite hacer inferencias causales.
- Supongamos que el diseño incluye factores que son muy caros o difíciles de variar en diferentes niveles. En ese caso, puede emplear un diseño de parcela dividida que asigne un esquema de aleatorización por niveles: uno para el factor o factores difíciles de cambiar y otro para el resto de factores.
- Es posible que haya medido ciertas variables ambientales (por ejemplo, la temperatura ambiente o la humedad) o variables de proceso que no pudo controlar durante el experimento. Éstas pueden incluirse en el análisis como covariables, teniendo así en cuenta su efecto y reduciendo el error experimental.
- Cuando el proceso estudiado está en fase de diseño, es decir, no existe un proceso real sobre el que ejecutar el experimento, puede utilizar técnicas de modelización y simulación de procesos para modelizar los resultados de las ejecuciones experimentales.
La ejecución y aplicación con éxito de un estudio de diseño de experimentos requiere una combinación de conocimiento del proceso, planificación cuidadosa y comunicación eficaz con las partes interesadas. Recuerde que la clave está en ser flexible y adoptar una actitud de aprendizaje y adaptación continuos durante todo el proceso experimental.
Fuentes y notas:
Este texto fue desarrollado por nuestro aliado MoreSteam.
Blackberry&Cross es aliado de MoreSteam.
(*) Blackberry & Cross realiza ajustes al texto original para mejorar la interpretación en español
Si usted está interesado(a) en temas LEAN Six Sigma, recuede consultar: https://blackberrycross.com/cursos/
Imagen utilizada con permisos y en alineamiento con los términos de uso de canva.com
Leave a Reply