คุณจะยอมรับการคาดการณ์ที่สมจริงและไทม์ไลน์เวลาที่ทรัพยากรนั้นจำกัด หรือการเก็บข้อมูลจริงมันแพงเกินความเหมาะสมได้อย่างไร? และนี่คือเวลาที่การจำลอง Monte Carlo จะสามารถช่วยคุณได้
การจำลองข้อมูลนั้นที่จริงแล้วเป็นอะไรที่ใช้กันเป็นประจำ ในกรณีที่ทรัพยากรนั้นจำกัดหรือการเก็บข้อมูลจริงจะแพงเกินไปหรือไม่เหมาะสม Monte Carlo simulation นั้นเป็นเทคนิคการสร้างตัวแบบทางคณิตศาสตร์ที่จะทำให้คุณเห็นผลลัพธ์ทั้งหมดที่สามารถเป็นไปได้และประเมินความเสี่ยงเพื่อการตัดสินใจที่ขับเคลื่อนโดยข้อมูล ข้อมูลในอดีตจะถูกรันในการสุ่มจำลองโดยคอมพิวเตอร์หลายครั้งและจะแสดงผลลัพธ์ที่น่าจะเป็นไปได้มากที่สุดของโปรเจกต์ในอนาคตภายใต้สถานการณ์ที่คลายคลึงกัน
Minitab Engage เป็นซอฟต์แวร์ที่รวมทั้ง Desktop App เพื่อทำโปรเจกต์ที่มีคุณภาพและ Web App ที่สามารถดู Dashboard ซึ่งทำให้การทำรายงานเกี่ยวกับการปรับปรุงคุณภาพในองค์กรนั้นง่ายขึ้น Desktop App นั้นมีเครื่องมืออันหนึ่งซึ่งก็คือการจำลอง Monte Carlo ที่ทำให้วิธีการวิเคราะห์ข้อมูลแบบนี้เข้าถึงได้ง่ายมากขึ้น
วิธีของ Monte Carlo ใช้การสุ่มตัวอย่างซ้ำๆเพื่อสร้างข้อมูลจำลองมาใช้กับตัวแบบทางคณิตศาสตร์ ตัวแบบส่วนใหญ่นั้นมาจากการวิเคราะห์เชิงสถิติ เช่น ออกแบบการทดลอง (designed experiment) หรือการวิเคราะห์การถดถอย (regression analysis)
สมมติว่าคุณศึกษากระบวนการและใช้ตัวแบบเชิงสถิติแบบนี้
ด้วยตัวแบบที่เป็นเส้นตรง คุณสามารถใส่ค่า input ของกระบวนการเข้าไปในสมการและทำนายผลลัพธ์ของกระบวนการ แต่ในชีวิตจริงค่าของ input จะไม่เป็นค่าเดียวเพราะความผันแปร
ซึ่งการที่มีการผันแปรของ input ทำให้เกิดความผันแปรและของเสียในผลลัพธ์
ออกแบบกระบวนการที่ดีกว่าเดิมโดยที่คำนึงถึงความไม่แน่นอน
การที่เราจะออกแบบกระบวนการให้ดีขึ้นคุณจะสามารถเก็บข้อมูลได้มากมายเพื่อที่จะนำข้อมูลไปดูว่าความผันแปรของ input ส่งผลต่อความผันแปรของ output หรือไม่ภายใต้ข้อจำกัด แต่ถ้าหากว่าคุณเข้าใจการกระจายตัวของค่า input และคุณมีสมการที่จำลองกระบวนการ คุณสามารถสร้างค่า input จำลองได้เยอะมากและคุณสามารถนำค่าไปใส่ในสมการของกระบวนการเพื่อที่จะได้ค่าจำลองของผลลัพธ์ของกระบวนการ
คุณสามารถเปลี่ยนการกระจายตัวของ input เพื่อตอบคำถามแบบ “what if” ได้อย่างง่ายดาย นี่คือข้อดีของการจำลอง Monte Carlo ในตัวอย่างที่เรากำลังจะแสดงให้ดูใน Minitab Engage เราจะเปลี่ยนทั้งค่า mean และค่า standard deviation ของข้อมูลจำลองเพื่อที่จะเพิ่มคุณภาพของสินค้า
ตัวอย่างแสดงทีละขั้นตอนของการจำลอง Monte Carlo โดยใช้ Minitab Engage
วิศวกรวัสดุของบริษัทผลิตวัสดุก่อสร้างกำลังพัฒนาสินค้าฉนวนกันความร้อนอันใหม่
วิศวกรวัสดุทำการทดลองและใช้สถิติเพื่อที่จะวิเคราะห์กระบวนการที่ส่งผลต่อประสิทธิผลของฉนวน สำหรับตัวอย่างการจำลอง Monte Carlo เราจะใช้สมการการถดถอย (regression) ข้างบนซึ่งอธิบายค่าที่ส่งผลสำคัญในเชิงสถิติที่เกี่ยวกับกระบวนการ
ขั้นตอนที่ 1: การตั้งค่า Input และ Output ของกระบวนการ
สิ่งที่เราต้องทำเป็นอย่างแรกคือการตั้งค่าของ Input และการกระจายตัวของค่าเหล่านั้น
ค่า input ของกระบวนการจะแสดงอยู่ใน regression output และวิศวกรคุ้นเคยกับค่า mean กับ standard deviation ของแต่ละตัวแปรอยู่แล้ว สำหรับ output พวกเขาสามารถคัดลอกและวางสมการ regression ที่อธิบายกระบวนการจาก Minitab Statistical Software เข้าไปในเครื่องมือ Monte Carlo ของ Engage
การป้อนข้อมูลเกี่ยวกับ input และ output ของกระบวนการนั้นง่ายมากอย่างที่แสดงในรูปด้านล่าง
ตรวจสอบว่าตัวแบบของคุณถูกต้อง เสร็จแล้วคุณก็สามารถที่จะรันการจำลอง (Engage นั้นรันการจำลอง 50,000 ครั้งอย่างรวดเร็วจากการตั้งค่าเริ่มต้น แต่คุณสามารถที่จะกำหนดได้ว่าต้องการให้รันการจำลองเยอะกว่า หรือน้อยกว่าค่าตั้งต้นที่ 50,000)
Engage นั้นจะตีความผลลัพธ์ให้คุณโดยใช้ output ทั่วไปสำหรับการวิเคราะห์ความสามารถ (Capability Analysis) – Capability Histogram, เปอร์เซ็นต์ของเสีย, และค่า Ppk ของสถิติ มันจะบอกอย่างถูกต้องว่าค่า Ppk ของเรานั้นต่ำกว่าค่ามาตรฐาน
Engage นั้นไม่ได้แค่รันการจำลองและให้คุณมองหาเองว่าต้องทำอะไรต่อ – ซอฟต์แวร์จะบอกว่ากระบวนการของคุณนั้นไม่ได้มาตรฐานและจะแนะนำขั้นตอนที่โฉบเฉี่ยวเพื่อที่จะปรับปรุงความสามารถของกระบวนการ
นอกจากนั้น ซอฟต์แวร์ยังรู้ว่ามันง่ายกว่าที่จะควบคุมค่า mean มากกว่าที่จะควบคุมความผันแปร ฉะนั้นขั้นตอนต่อไปที่ Engage นำเสนอคือ Parameter Optimization (การหาค่าพารามิเตอร์ที่เหมาะสมที่สุด) ซึ่งก็คือการหาค่า mean ที่ลดจำนวนของเสีย อีกทั้งยังคำนึงถึงความผันแปรของ input
ขั้นตอนที่ 2: เจาะจงว่าเป้าหมายและช่วงการค้นหาของการหาค่าที่เหมาะสมสำหรับพารามิเตอร์
ในขั้นตอนนี้ เราต้องการให้ Engage หากลุ่มค่า mean ของ input ที่เหมาะสมที่สุดเพื่อที่จะลดของเสีย คุณสามารถใช้ “Parameter Optimization” หรือการหาค่าพารามิเตอร์ที่เหมาะสมที่สุด เพื่อที่จะตั้งเป้าหมายของคุณและใช้ความรู้เกี่ยวกับกระบวนการของคุณมาหาขอบเขตของการค้นหาของค่าตัวแปรใน input
และนี่ก็คือผลลัพธ์ของการจำลอง
มองผ่านๆ เราสามารถบอกได้ว่าเปอร์เซ็นต์ของของเสียลดลง นอกจากนั้นเราสามารถดูค่า input ที่เหมาะสมที่สุดได้ในตาราง แต่ว่าค่า Ppk ก็ยังต่ำกว่าค่ามาตรฐานอยู่ดี ยังดีที่ Engage ยังมีข้อแนะนำในขั้นตอนต่อไปว่าควรจะปรับปรุงความสามารถของกระบวนการอย่างไร
ขั้นตอนที่ 3: การควบคุมความผันแปรเพื่อที่จะทำการวิเคราะห์ความไวในการตอบสนอง (Sensitivity Analysis)
ที่ผ่านมาเราปรับปรุงกระบวนการโดยการหาค่า mean ของ input ที่เหมาะสมที่สุด ซึ่งนั่นลดของเสียได้เยอะ แต่ว่าการจำลอง Engage นั้นยังทำอะไรได้มากกว่านี้ เราสามารถลดการผันแปรใน input ของกระบวนการเพื่อที่จะลดของเสียได้อีก
โดยรวมแล้วการลดความผันแปรนั้นยากกว่า เราจึงไม่ควรที่จะสิ้นเปลืองทรัพยากรเพื่อควบคุม Standard deviation สำหรับ input ที่จะไม่ส่งผลต่อการลดของเสีย โชคดีที่ Engage มีกราฟที่สามารถช่วยให้คุณเห็นว่า input อันไหนควบคุมแล้วจะลดความผันแปรของกระบวนการและจะก่อให้เกิดการลดของเสียมากที่สุด
ในกราฟนี้ ควรจะมองหาเส้นที่มีความชันเพราะว่าลด standard deviation พวกนั้นแล้วจะลดความผันแปรของผลลัพธ์ ในทางกลับกันคุณสามารถลดขอบเขตการยอมรับของ input ที่เส้นเป็นเส้นตรงเพราะมันไม่ได้ส่งผลต่อความผันแปรของผลลัพธ์
ในกราฟ ความชันของเส้นนั้นไม่ต่างกันมาก เราเลยต้องลองลด standard deviation ของหลายๆ input ในกรณีนี้คุณต้องใช้ความรู้เกี่ยวกับกระบวนการเพื่อที่จะค้นพบว่าอะไรส่งผลมากที่สุดต่อความผันแปรของกระบวนการ ถ้าหากว่าต้องการเปลี่ยนการตั้งค่า คุณสามารถคลิกที่จุดใดจุดหนึ่งบนเส้น หรือใช้เมนูดึงลงในตาราง
ผลสรุปสุดท้ายจากการจำลอง Monte Carlo
สำเร็จ! เราสามารถลดจำนวนของเสียได้ต่ำกว่าค่ามาตรฐานและค่า Ppk อยู่ที่ 1.34 ซึ่งมากกว่าค่ามาตรฐานขั้นต่ำ ตาราง Assumption ในผลลัพธ์แสดงให้เราเห็นว่า การตั้งค่าใหม่ของเราและ standard deviation ของ input ของกระบวนการที่เราควรนำไปลองใช้คืออะไร ถ้าหากว่ารัน Parameter Optimization อีก มันจะทำให้กระบวนการกระชับขึ้นและเราก็แน่ใจว่าของเสียจะลดลงอีก
นอกจากนั้น ทั้งหมดนี้ทำโดยที่ไม่ต้องเก็บข้อมูลได้เพิ่มเติมเลยเพราะว่าเรารู้การกระจายตัวทั่วไปของค่า input และมีสมการที่สามารถอธิบายกระบวนการ
บทความต้นฉบับ : How Can You Fix the Process and Improve Product Development with Simulated Data? See All the Scenarios with Monte Carlo
ต้นฉบับนำมาจาก Minitab blog, แปลและเรียบเรียงโดยปณิธิ เสนีวงศ์ ณ อยุธยา
บริหารจัดการ SCM Blog โดยชลทิชา จำรัสพร บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ