Планирование экспериментов и разработка продукции

Планирование экспериментов – Design of Experiment или DOE – часто применяют для поиска оптимальных параметров процесса. Но можно ли использовать этот статистический инструмент для создания новых продуктов или услуг, процессов или систем? Может ли он помочь с разработкой продукции, проектированием услуг или инновациями? Об этом и поговорим в сегодняшнем посте.

Ввиду того, что тема довольно специфическая, а механика проведения экспериментов и анализ результатов интересны далеко не всем, я сэкономлю вам время и сразу же отвечу на вопросы выше: можно. Более того, теме применения статистического аппарата в целом и планированию экспериментов в частности посвящена не одна книга по дизайну для шести сигм (DFSS) – методологии, которая как раз и направлена на разработку продуктов и услуг на уровне 6σ.

Одну из них – книгу Эндрю Слипера (Andrew Sleeper) “Design for Six Sigma. Statistics” – мы рассматривали на вебинаре, посвященному этапу Design цикла DMADV. В ней автор приводит пример разработки новых двигателей для авто. Это круто – планировать эксперимент с целью получения нового двигателя. Но неужели для проведения эксперимента 24 кто-то всерьез озадачится производством 16 групп различных двигателей? Не 16 штук, а 16 групп – это 16 умножить на размер выборки. Мало того, что это довольно дорогостоящее удовольствие, так отдельные образцы, если вы и в самом деле решите поиграть с параметрами в достаточно широком диапазоне, могут быть небезопасными.

При этом я не утверждаю, что такое невозможно. Наоборот, я уверен в том, что гиганты автопрома смогут себе позволить подобные эксперименты, невзирая на стоимость. Но должны ли столь редкие случаи быть примерами? Что, обыденных не нашлось?

К примеру, на тренинге Дизайн для шести сигм (DFSS) мы разбирали два примера-близнеца: создание банковского продукта и опросника. С помощью планирования эксперимента были получены различные комбинации факторов, а участники, давшие оценку каждой из них, предоставили нам отклик.

Вот таких простых примеров планирования экспериментов в процессе создания новых продуктов или услуг, на мой взгляд, катастрофически не хватает. Таких же простых, как Планирование экспериментов “на кухне”. Таких же простых, как мы рассмотрим ниже.

Наш сегодняшний эксперимент также касается кухни. Но раз уж мы говорим о проектировании чего-то нового для получения лучших характеристик, то кухня будет виртуальной. Зато приятным бонусом будет рецепт диетического сладкого снека, который мы будем разрабатывать. Очень актуально в периоды домашней отсидки.

За основу мы возьмем те же маффины и заменим все компоненты на их спортпитовые аналоги: вместо муки у нас будет протеиновый концентрат, вместо сливочного масла – натуральное арахисовое, вместо кефира – бананы и т.д. Также будет немного творчества в виде изюма, тыквенных семечек и овсяных хлопьев.

А задача, которую мы будем решать, звучит так: необходимо создать сладкий снек, которым можно перекусить, но не поправиться. Что это значит? Перевести с VOC на VOP?

  • В каждой порции 20-25 г белка.
  • Низкое содержание калорий. Минимум.
  • Вес порции от 60 до 80 г. Этого достаточно, чтобы утолить легкий голод, но не наедаться.

План нашего эксперимента для исследования 7 факторов на двух уровнях (план 27-4):

Откуда цифры в таблице? Уровни факторов выбираются исходя из того, в каком диапазоне вы хотите их исследовать. Иными словами, можно подставить любые числа. Но понятно, что нет смысла исследовать влияние фактора арахисовое масло в диапазоне от 1 г до 2 кг. Во-первых, потому что, посмотрев на оборот банки, мы уже знаем, что в нем масса калорий. А во-вторых, потому, что нам нужен рецепт такого количества снеков, которое мы успеем съесть еще до того, как они зачерствеют.

Вероятно, вы подумали, что теперь мы будем мешать тесто и печь маффины, а затем их пробовать и… На это уйдет много времени и дорогих ингредиентов, а самое ужасное, что так мы поправимся, еще даже не создав продукт для похудения ))) Хорошая новость: мы этого делать не будем. Иначе чем этот пример лучше того, про двигатели?

Сигнал мы также можем проектировать:

  • Количество белков, жиров, углеводов в полученном тесте.
  • Количество калорий.
  • Общий вес.

И поможет нам в этом калькулятор или функция работы со столбцами в программе Minitab:

Указываем пустой столбец и нажимаем на пиктограмму, а затем в поле Expression прописываем формулу. Давайте посчитаем калории в колонке С12:

Формула максимально простая: берем первую колонку – протеин, – в которой у нас количество “порошка” в граммах, и умножаем на количество калорий в одном грамме. Данные берем с упаковки протеина. Затем добавляем следующую колонку и тоже умножаем на количество калорий в одном грамме. И т.д.

На упаковке большинства продуктов указывают содержание калорий, белков, жиров и углеводов в перерасчете на 100 г. Достаточно цифру с упаковки разделить на 100, и получим содержание в 1 г. Исключение составляют яйца и бананы. Для этого достаточно погуглить, сколько калорий или белков в одном курином яйце или банане.

Также я рассчитаю вес полученной смеси в граммах. Для этого суммируем все колонки – функция Sum(rows) – за исключением колонок с количеством бананов и яиц. Как вы можете судить по формуле ниже, вес 1 яйца я принял равным 45 г, а банана – 100 г. Для мякоти банана мне не удалось найти данных в сети, поэтому я просто почистил один и взвесил.

Теперь у нас есть ожидаемые выходы в каждом эксперименте. Обратите внимание на зеленую галочку рядом с номером каждой колонки – это индикация присвоенной формулы:

Двойной клик по этой пиктограмме откроет окошко калькулятора, в котором вы сможете редактировать формулу.

“Все это можно было бы сделать и в экселе. Тоже мне, удивил.”

Следующее, что нам необходимо – указать программе модель, анализ которой мы будем проводить. Подробные инструкции вы можете найти в статье Планирование экспериментов “на кухне”. Здесь же я просто напомню алгоритм действий: Stat \ DOE \ Factorial \ Analyze Factorial Design. Теперь запускаем математическую модель: Stat \ DOE \ Factorial \ Response Optimizer и задаем желаемые значения:

  • Для веса и содержания белков зададим целевые значения – 400 г и 125 г из расчета, что у нас должно получится около 5 порций.
  • Для количества калорий зададим минимально возможное значение: ведь наша задача – снизить количество калорий.
  • Для жиров и углеводов также укажем минимально возможное содержание. На самом деле их содержание не так уж и важно, но чтобы получить их в итоговой модели, следует указать цель.

А вот и рецепт, который нам предлагает Minitab:

Разумеется, мы его поменяем. Ну что это за рецепт, в котором 1,22 банана? И вообще, попробуем подвигать все ползунки, чтобы посмотреть, как от этого поменяется отклик. Хочется ведь протеина сыпать меньше, а содержание белка получить больше.

У меня в итоге получился следующий рецепт:

Порядок действий прост. Начинаем смешивать все, что в этой смеси можно отнести к категории “жидких” составляющих: берем банан и разминаем вилкой. Затем добавляем 2 яйца и 60 г арахисового масла. Тщательно перемешиваем. В получившуюся смесь добавляем:

  • 90 г протеина;
  • 30 г овсянки;
  • 20 г тыквенных семечек;
  • 20 г изюма.

Еще раз перемешиваем до однородной массы и добавляем, если есть необходимость, разрыхлитель. Я не добавляю, так как любой протеин немножко пенится и вполне может компенсировать отсутствие разрыхлителя.

Делим на формочки – у меня получается 10 шт. (по 2 на порцию) – и получаем вот такие снеки:

Отличный рецепт противокарантанного удержания массы тела. Рекомендую. Сам на себе проверил и за два месяца не только не набрал, но и похудел на 2 кг. Отлично подходит к кофе или чаю и заменяет любой высококалорийный снек. Хотя если вы стараетесь набрать массу, а не скинуть, как я, то вам пригодится только информация по планированию экспериментов.

PS: Кстати, а почему, как вы думаете, я выбрал дробно-факторный план, а не план для смесей?

PPS: Хотите посмотреть, как бы это выглядело, примени я план для смесей?

02.06.2020 / 205 / Загрузок: 0 / DMAgIC / | Теги: инновации, DOE, Minitab, шесть сигм, DFSS
Всего комментариев: 0
avatar
SixSigmaOnline.ru © 2009-2020            Хостинг от uWeb