직감은 당신을 사업에서 먼 길로 데려 갈 수는 있지만, 분석하기 위해 하드 데이터가 필요하고 위기 상황에 따라 숫자가 필요할 때가 있습니다. 최고 품질의 비즈니스 프로세스를 달성하기위한 6 시그마 프로세스는 여러 유형의 데이터를 정의합니다. 속성 데이터는 전등 스위치가 켜지거나 꺼져 있는지 여부와 같이 예 또는 아니 다 다양합니다. 가변 데이터는 디머를 조정할 때 빛의 레벨이 바뀌는 것과 같은 측정에 관한 것입니다. 둘 다 중요한 정보이지만 가변 데이터가 일반적으로 더 유용합니다.
변수 Vs. 속성
속성 데이터는 숫자에 중점을두고 변수 데이터는 측정에 초점을 맞 춥니 다. 예를 들어, 조립 라인에 결함이있는 제품에 대한 데이터를 수집한다고 가정합니다. 속성 데이터는 출력을 결함으로 분류하거나 결함이없는 것으로 분류합니다. 변수 데이터를 수집하는 경우 결함있는 제품의 상태가 나쁜지 10 %, 20 %가 잘못된 것으로 볼 수 있습니다.
둘 다 본질적으로 잘못되었습니다. 그것은 모두 데이터 사용 방법에 달려 있습니다. 식스 시그마 접근법을 실천하고 있고 얼마나 많은 제품이 높은 기준에 부합하는지 알고 싶다면 애트리뷰트 데이터가 트릭을 수행 할 수 있습니다. 각 제품의 품질을 측정하려면 변수 데이터가 더 유용 할 것입니다.
애트리뷰트 데이터의 이점
데이터를 분류하는 다른 방법이 있습니다. 색이나 취향과 같은 숫자에 잘 맞지 않는 데이터를 질적 데이터라고합니다. 특성 데이터는 정성 데이터보다 수집하기가 쉽기 때문에 두 가지 대안이있는 바이너리 조건을 살펴 보는 것이 좋습니다.
- 제품이 작동하거나 작동하지 않습니다.
- 영업 사원이 거래를 마감했거나하지 않았습니다.
- 부품들은 그들이 속하는 슬롯에 맞거나 그렇지 않습니다.
- 학생들은 시험에 합격하거나 실패합니다.
프로세스, 장비 또는 직원이 얼마나 잘 수행하는지 보려면 속성 데이터를 컴파일 할 수 있습니다. 학생들의 80 %가 최종 시험에 합격하고 20 %만이 문제를 해결하기를 원한다면 그것이 학생회 이건, 교사 이건 다른 문제 이건간에 결정되어야합니다.
가변 데이터의 이점
변수 데이터는 속성 데이터가 가질 수없는 많은 것을 알려줍니다. 시공 프로젝트에서 사용할 새 대들보를 테스트한다고 가정합니다. 특성 데이터는 하중을 가했을 때 견디는 거더의 비율을 알려줍니다. 변수 데이터를 통해 테스트를 통과 한 특정 대들보가 위험에 처해질 수 있습니다. 실패한 학생들이 시험에 합격하지 못한 것을 알고 싶다면 다양한 데이터를 통해 답을 얻을 수 있습니다.
