Bước quan trọng đầu tiên
Biên tập VSE- Bài dịch từ tạp chí Quality Progress – Ấn bản chính thức của ASQ vào tháng 1/2024
- Chủ đề: Thống kê – Giải quyết vấn đề chất lượng thông qua thống kê
- Tác giả bài viết: Christine M. Anderson-Cook
- Người dịch: Thành viên VSE
Bước quan trọng đầu tiên
Để lên kế hoạch cho thử nghiệm với thiết kế phù hợp, hãy xem xét tình huống, các ưu tiên và những điều đã biết.
Tục ngữ Trung Quốc có câu “Vạn sự khởi đầu nan”, nhưng trong nhiều tình huống, bước đầu tiên là một trong những bước quan trọng nhất cho sự thành công sau những nỗ lực. Điều này đặc biệt đúng khi thiết kế và chạy một thử nghiệm.
Trong các lớp hoặc khóa đào tạo về thiết kế thử nghiệm dùng thống kê (DoE – Design of Experiments), người ta thường nhấn mạnh vào “Nên chọn loại thiết kế nào?” Trong chuyên mục này, chúng ta khám phá một số khía cạnh nên đi trước khi đặt câu hỏi này, vì thử nghiệm được thiết kế phù hợp phụ thuộc vào tình huống, những gì đã biết, và những gì chúng ta ưu tiên.
Mặc dù có vẻ hiển nhiên, nhưng việc biết mục tiêu thu thập dữ liệu từ thử nghiệm là chìa khóa để bắt đầu. Có nhiều lý do để chạy thử nghiệm. Dữ liệu nào chúng ta nên thu thập sẽ thay đổi tùy thuộc vào những gì chúng ta muốn đạt được và những gì chúng ta biết. Các thử nghiệm thành công tận dụng được kiến thức chuyên môn về chủ đề đã có sẵn (hoặc những gì chưa biết) liên quan đến đầu vào, phản ứng và mối quan hệ giữa chúng.
Có một số loại mục tiêu phổ biến cho thử nghiệm:
- Nghiên cứu thí điểm—Mục tiêu là thu thập một lượng dữ liệu thường nhỏ để đảm bảo chất lượng của dữ liệu, bao gồm độ chính xác và độ chắc chắn đáp ứng đủ nhu cầu của nghiên cứu.
- Khám phá/ sàng lọc—Mục tiêu là hiểu về quy trình, bao gồm:
- Xác định vùng nào của dữ liệu đầu vào là khả thi và quan trọng.
- Xác định các yếu tố đầu vào nào là quan trọng và có ảnh hưởng đến phản ứng.
- Hiểu một số mối quan hệ cơ bản về cách thức các đầu vào làm thay đổi phản ứng.
- Mô hình hoá—Đối với loại thu thập dữ liệu này, bản chất của mối quan hệ giữa đầu vào và phản ứng được hình thành thành một biểu thức toán học tổng hợp, thường có khả năng nắm bắt độ cong và tương tác giữa các đầu vào. Biểu thức này cho phép dự đoán giá trị phản ứng ở những vị trí khác nơi dữ liệu được thu thập.
- Cải tiến mô hình—Đôi khi, bộ bộ dữ liệu ban đầu thu thập để xây dựng mô hình có thể không cung cấp đủ thông tin chính xác, cả ở cấp độ cục bộ hoặc tổng thể, để có thể hành động. Trong những trường hợp này, dữ liệu bổ sung có thể hữu ích để tăng cường những gì đã biết.
- Tối ưu hóa—Trong nhiều nghiên cứu, mục tiêu là tìm ra điều kiện hoạt động để đạt được hiệu suất tốt nhất của phản ứng. Thông thường, chúng ta tìm cách tối đa hóa, giảm thiểu hoặc đạt mục tiêu và muốn biết cách thiết lập các đầu vào để đạt được điều này. Nếu có nhiều hơn một phản ứng, việc cân nhắc các sự đánh đổi về hiệu suất có lẽ là cần thiết.
- Xác nhận— Thường xuyên, để được thực hiện, sự hiểu biết của chúng ta về một quá trình phải được chuyển giao sang một cài đặt mới.
Trong những trường hợp này, chúng ta có thể muốn chạy một thử nghiệm nhỏ để xác thực hiệu suất mà chúng ta mong đợi có thể đạt được. Đôi khi, sự thay đổi này liên quan đến việc sử dụng một thiết bị mới hoặc khi chúng ta đã học được điều gì đó trong phòng thí nghiệm và muốn chuyển nó sang sản xuất.
Có một số lợi ích quan trọng từ việc có một mục tiêu rõ ràng cho thử nghiệm. Có lẽ rõ ràng nhất, biết bạn đang cố gắng đạt được điều gì sẽ tăng cơ hội bạn thực sự có thể đạt được nó và biết rằng bạn đã thành công.
Thứ hai, nếu có nhiều nhà nghiên cứu tham gia vào nghiên cứu, việc thảo luận trực tiếp về mục tiêu sẽ giúp định hình những gì có thể đạt được và ưu tiên là gì.
Thứ ba, một tiêu chí đo lường sự phù hợp của thiết kế với mục tiêu đã chọn có thể được lựa chọn và sử dụng để đánh giá kế hoạch thu thập dữ liệu.
Cuối cùng, các thử nghiệm được thiết kế theo phương pháp thống kê thực hiện các khía cạnh khác nhau (khám phá/mô hình hóa/tối ưu hóa) với các mức độ hiệu quả khác nhau. Biết mục tiêu sẽ cho phép sự phù hợp tốt giữa thiết kế và phân tích.
Nếu bạn xem xét thứ tự của các mục tiêu được liệt kê trước đó cho một thử nghiệm, bạn có thể thấy thường có một quá trình tiến triển tự nhiên qua nhiều bước sử dụng chuỗi các thí nghiệm: đánh giá chất lượng dữ liệu, hiểu biết cơ bản và chính thức hóa thông tin đó thành một mô hình trước khi sử dụng mô hình đó để tối ưu hóa hiệu suất.
Có thể có nhiều mục tiêu cho một thử nghiệm duy nhất. Nếu đây là trường hợp, việc suy nghĩ về tầm quan trọng tương đối của các mục tiêu khác nhau là hữu ích. Nếu có thể thu thập dữ liệu theo từng giai đoạn, phương pháp tuần tự cho phép học hỏi giữa các giai đoạn và khả năng thích ứng các thí nghiệm tương lai dựa trên việc học này.
Những gì bạn biết
Sau khi mục tiêu đã được quyết định, đã đến lúc suy nghĩ cẩn thận về những gì đã biết. Tại đây, việc tận dụng kiến thức của những người đã thu thập dữ liệu trong các lĩnh vực liên quan hoặc có hiểu biết khoa học về cơ chế cơ bản là cực kỳ quan trọng.
Hãy nghĩ về việc thu thập và sử dụng thông tin đã có sẵn này như một cách để có được khởi đầu thuận lợi trên hành trình và đưa bước đầu tiên gần hơn với đích đến. Các câu hỏi quan trọng cần xem xét khi đánh giá những gì đã biết bao gồm:
- Chúng ta có biết những phạm vi của các đầu vào (cho mỗi đầu vào) sẽ tạo ra giá trị phản ứng khả thi không? Phạm vi nào có khả năng tạo ra giá trị quan tâm?
- Có những góc hay khu vực của không gian đầu vào nào nên được loại bỏ khỏi xem xét không? Hãy xem xét việc nấu một công thức nấu ăn mà chúng ta điều chỉnh thời gian nấu và nhiệt độ. Có thể có ý nghĩa khi loại bỏ khu vực “nhiệt độ thấp và thời gian nấu ngắn” vì điều đó sẽ không hoàn thành quá trình nấu. Cũng có thể thông minh khi loại bỏ khu vực “nhiệt độ cao và thời gian nấu dài,” sẽ dẫn đến việc nấu quá chín.
- Chúng ta có mong đợi mối quan hệ giữa đầu vào và phản ứng sẽ mượt mà và liên tục không? Có khả năng có sự không liên tục trong các phạm vi đầu vào đã xác định không?
- Chúng ta nghĩ mối quan hệ giữa đầu vào và phản ứng sẽ phức tạp như thế nào? Một bề mặt phẳng? Độ cong? Nhiều sự biến động? Tương tác giữa các đầu vào?
Nếu không có câu trả lời cho tất cả các câu hỏi này cũng không sao. Điều đó chỉ giúp làm rõ những gì đã biết và tránh làm những giả định vô tình có thể dẫn đến việc chọn một thí nghiệm được thiết kế không lý tưởng và lãng phí tài nguyên.
Nếu biết ít hơn, một thiết kế như thiết kế lấp đầy không gian, có thể được chọn để giảm thiểu giả định và có thể cho phép thực hiện thí nghiệm tuần tự để học hỏi trong quá trình thực hiện.
Nếu biết nhiều hơn, thiết kế có thể tận dụng thông tin đó và tùy chỉnh dữ liệu.
Cách tiếp cận Goldilocks
Một phần thường bị đánh giá thấp của việc đánh giá kiến thức này là xác định nơi thí nghiệm nên được đặt trong không gian đầu vào. Việc lựa chọn kém ở đây giống như hiệu ứng đèn đường, nơi một người say đang tìm chìa khóa bị mất dưới ánh đèn đường – không phải vì đó là nơi anh ta làm mất chúng, mà vì đó là nơi đủ sáng để nhìn thấy.
Không gian thiết kế nên được chọn dựa trên khả năng trả lời câu hỏi quan tâm dựa trên sự hiểu biết hiện có, không phải vì sự tiện lợi của nó. Nếu chọn sai khu vực, giải pháp được xác định khám phá trong không gian đó có thể chỉ đại diện cho một tối ưu cục bộ thay vì giải pháp tốt nhất có thể có.
Về quy mô của vùng thử nghiệm, người ta tìm kiếm theo cách tiếp cận Goldilocks: Nếu phạm vi của một đầu vào được chọn quá nhỏ, ảnh hưởng tiềm năng của đầu vào đó có thể bị đánh giá sai vì phản ứng không thay đổi nhiều trong phạm vi quan sát. Nếu phạm vi được chọn quá lớn, một số kết hợp đầu vào có thể dẫn đến phản ứng không khả thi, hoặc các thí nghiệm được thiết kế với một số lượng nhỏ các cấp độ cho mỗi đầu vào có thể bỏ lỡ một số đặc điểm hoặc không thể mô tả chúng một cách chính xác.
Vì vậy, quy mô của khu vực, cũng như vị trí của nó trong các phạm vi khả năng của đầu vào, là quan trọng để xem xét.
Dữ liệu đúng để trả lời những câu hỏi đúng
Sau khi tìm ra mục tiêu của thí nghiệm và cách tận dụng những gì đã biết, đã đến lúc suy nghĩ về việc tìm một thiết kế phù hợp với thông tin này. Điều này kết nối chúng ta trở lại với đào tạo thống kê truyền thống, nơi các thuộc tính và hiệu suất của các loại thiết kế khác nhau có thể được đánh giá sử dụng tiêu chí phù hợp – bây giờ liên kết với mục tiêu thí nghiệm được định nghĩa rõ ràng của chúng ta – và phù hợp với tình huống của chúng ta.
Dành thời gian để hiểu rõ các chi tiết của vấn đề giúp chúng ta tận dụng đầy đủ sức mạnh của thống kê DoEs để thu thập dữ liệu đúng nhằm trả lời những câu hỏi đúng.
Về tác giả: Christine M. Anderson-Cook là một nhà nghiên cứu đã nghỉ hưu nhà khoa học thuộc Nhóm Khoa học Thống kê tại Los Alamos Phòng thí nghiệm quốc gia. Cô ấy là thành viên của cả ASQ và Hiệp hội Thống kê Hoa Kỳ.
