نمونه‌گیری آماری برای بهبود فرآیند با استفاده از پایتون

منتشر‌شده در: towardsdatascience به تاریخ ۲۸ سپتامبر ۲۰۲۱
لینک منبع Statistical Sampling for Process Improvement using Python

به عنوان یک جز مهم مدیریت زنجیره تامین، خدمات مشتری جایی است که شرکت شما به مشتریان شما احساسی از محصولات و کسب و کاری که می‌فروشید می‌دهد.

یک شاخص مهم عملکرد، مدت زمان متوسط بین دریافت سفارش مشتری و ارسال آن به انبار برای آماده‌سازی است.

در این مقاله، ما روشی را با استفاده از نمونه‌گیری آماری برای برآورد این میانگین زمان انتظار کلی با استفاده از یک نمونه ۲۰۰ تایی از مشاهدات معرفی خواهیم کرد.

سناریو

شرح مشکل

شما مدیر خدمات مشتری یک تامین‌کننده قطعات آسانسور هستید که قطعات موتور را برای آسانسورها تولید می‌کند و تحویل می‌دهد.

تیم شما مسئول پردازش سفارش است:

• مشتری سفارشی را از طریق تلفن یا ایمیل با زمان تحویل درخواستی ارسال می‌کند

(به عنوان مثال: مشتری 5 واحد SKU X سفارش داده و مایل است همان روز در ساعت 10:00 تحویل داده شود)

• تیم شما سفارش را تأیید می‌کند و آن را برای آماده‌سازی و حمل به نزدیکترین انبار اختصاص می‌دهد.
• سفارش با استفاده از یک شرکت پیک سریع از انبار تهیه و ارسال می‌شود.

به تازگی به دلیل تحویل‌های دیر هنگام، شکایات زیادی از مشتریان خود دریافت کرده‌اید. طبق گفته مدیر انبار، این عمدتا به دلیل تاخیر در پردازش سفارش توسط خدمات مشتری است.

در طول ۳ ماه، شما زمان پردازش سفارش اپراتورهای تصادفی انتخاب شده را اندازه گیری کردید و 200 مشاهده را جمع‌آوری کردید.

سوال

آیا می‌توانید با استفاده از داده‌های نمونه خود، میانگین زمان پردازش را با فاصله اطمینان 90٪ تخمین بزنید؟

نمونه‌گیری آماری

از آنجا که ما قادر به اندازه‌گیری متوسط زمان پردازش همه اپراتورهای شما برای هر سفارش نیستیم، می‌خواهیم با استفاده از این سوابق نمونه، میانگین کل جمعیت را تخمین بزنیم.

۱. یادداشت‌ نویسی‌ها

برای سهولت درک، اجازه دهید برخی از یادداشت‌ها را معرفی کنیم:

۲. کاربرد قضیه حد مرکزی

در مقاله قبلی، ما از قضیه حد مرکزی (CLT) برای تخمین احتمال یک متغیر تصادفی P(X≥k) با فرض اینکهX دنبال توزیع نرمال بوده است، استفاده کرده‌ایم. CLT همچنین به ما می‌گوید:

۳. فاصله اطمینان

هدف ما دانستن میانگین جمعیت یک دامنه [ µ-b، µ + b ] با اطمینان ۹۰٪ است.

و ما با ساخت یک توزیع نرمال واحد می‌دانیم که برای P(- zz)=۰.۹ ماz= ۱.۶۴ داریم.

در نهایت، ما می‌توانیم محدوده برآورد خود یا میانگین جمعیت را به دست آوریم.

۴. برآورد نهایی

count 200
mean 22.705
std 6.81
min 4.0
25% 18.0
50% 23.0
75% 27.0
max 41.0

ما داریم،

n = 200
x̄ = 22.705 (min)
s = 6.81 (min)The confidence interval is [21.96, 23.54]

نتیجه‌گیری

برای سطح اطمینان ۹۰٪ و با تلاش متوسط برای آزمایش، ما برآورد بسیار خوبی از میانگین زمان انتظار برای پردازش سفارش داریم.

این رویکرد زمانی می‌تواند مورد استفاده قرار گیرد که ارزیابی عملکرد فرآیند گران باشد و تلاش و زمان لازم را داشته باشد.

با این حال، شما باید در پروتکل آزمایشی تلاش کنید تا تضمین کنید که داده‌های نمونه شما براساس انتخاب تصادفی اپراتورها ساخته شده‌اند.

این متن با استفاده از ربات ترجمه مقاله دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.