*봉* 스토어

*봉*

개인인증

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 등록된 전문분야가 없습니다.

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

10개
전체 판매량

142개
최근 3개월 판매량

0개
자료후기 점수

평균A+
자료문의 응답률

100%

전체자료 10개

회귀분석의 기업 실제적용사례(곡선회귀) 평가A+최고예요

회귀분석의 기업 실제적용사례 ( 곡선회귀 - 미니탭 이용 ) 2020. 11. 20목 차 1. 기업의 제품생산 현황 및 문제점 2. 통계적용기법 선정 3. 인장강도와 처리액 농도 Data 수집 4. 인장강도와 처리액 농도의 상관분석 5. 인장강도와 처리액 농도의 회귀분석1. 기업의 제품생산 현황 및 문제점 - 본 곡선회귀분석의 실제 적용사례는 어떤 직물을 생산하는 기업으로 - 생산 직물의 품질을 향상시키기 위해 별도의 한시적 TFT 를 구성하여 개선하기로 하였다 . - 직물의 품질 중 외관 이물질 , 인장강도 , 신도 ( 섬유를 잡아당겨 끊어질 때 까지 늘어난 정도 ) 를 우선 개선하기로 하였다 . 이후 외관 이물질과 신도는 원인을 파악하여 개선하였으나 , 인장강도는 여러가지 원인을 파악하여 개선하였으나 , 목표수준까지 달성되지 않았 습니다 . - 추가로 인장강도와 직물 처리하는 처리액 농도의 경우 표준화가 명확 하지 않아 작업자별 처리액 농도의 차이가 발생하는 것으로 확인되어 인장강도와 처리액 농도 관련성을 규명하여 최적화 및 표준화하기로 하였다 .CTQ(Critical To Quality=Y)= 인장강도 , 잠재인자 (=X)= 처리액농도 2. 통계적용기법 선정 구분 통계값 적용기법 구 분 Data 유형 Y 인장강도 계량형 ( 연속형 ) 회귀분석 X 처리액농도 계량형 ( 연속형 ) 구 분 Y( 인장강도 ) 계량형 데이터 계수형 데이터 X ( 처리액 농도 ) 계량형 데이터 회귀분석 (Regression) 상관분석 (Correlation) [ 산점도 ] 논리적 회귀분석 (Logistic Regression) [ 역 산점도 ] 계수형 ( 속성형 ) 데이터 t - 검정 분산분석 (ANOVA) F – 검정 [Box-Plot, Histogram, Dot-Plot] P( 비율 )- 검정 카이제곱 검정 [ 시계열 차트 , 파레토 차트 , 런 차트 , P-Chart] → 인장강도 대비 처리액농도에 대한 유의성 확인 및 최적화를 위해서는 회귀분석이 적합한 통계기법임 .3. 인a 수집 (1) 인장강도와 처리액 농도의 관련성을 확인하기 위해 처리액 농도별 실험하여 인장강도 Data 를 수집하였다 . (0000.00.00~XX.XX 까지 5 일간 실험 Data) (2) 수집 Data 의 분석을 위해 미니탭 Work Sheet 에 입력한다 . * CTQ : Critical To Quality 핵심품질특성 처리액 농도 100 110 120 130 140 인장 강도 80.1 82.3 83.9 82.7 79.2 80.7 81.9 83.2 81.8 79.7 79.9 82.6 83.9 82.5 79.3 80.4 82.7 84.1 81.9 80.1(1) 산점도 확인 (1-1) 미니탭에서 그래프 산점도 클릭한다 . (1-2) 회귀선 표시를 클릭하고 확인을 클릭한다 . 4. 인장강도와 처리액 농도의 상관분석(1) 산점도 확인 (1-3) Y 변수에 인장강도 X 변수에 처리액농도를 각각 입력하고 확인을 클릭한다 . (1-4) 그림을 확인하고 Data 의 이상유무와 대략적인 상관성을 파악한다 . 인장강도와 처리액농도의 선형의 상관성이 없어 보이나 , 곡 선의 모양 임을 확인할 수 있음 * 산점도는 반드시 작성해 보아야 선형 , 곡선 등 관계를 알 수 있다 . 4. 인장강도와 처리액 농도의 상관분석(2) 상관분석 실시 (2-1) 미니탭에서 통계학 기초통계학 상 관계수 클릭한다 . (2-2) 변수란에 인장강도와 처리액농도를 입력하고 확인을 클릭함 . 4. 인장강도와 처리액 농도의 상관분석(2) 상관분석 실시 (2-3) 미니탭의 세션 창에 상관분석 결과가 표시된다 . → 분석결과 Pearson 상관 계수가 -0.141 이고 P 값이 0.554 이므로 인장강도와 처리액농도는 선형의 상관성은 없어 보이나 , 산점도로 보아 곡선의 회귀 관계가 있어 보이므로 회귀분석을 통해 회귀여부를 파악할 필요가 있음 . ※ 판정기준 : 일반적으로 Pearson 상관 계수가 ±0.8 이상이고 P- 값이 0.05 이하이면 상관성이 양호하다고 할 수 있다 . 4. 인장강도와 처리액 농도실시 (1-2) 반응란에 인장강도 , 예측변수 란에 처리액농도를 입력하고 그래프를 클릭 한다 . (1-1) 미니탭에서 통계학 회귀 회귀를 클릭한다 . 5. 인장강도와 처리액 농도의 회귀분석(1) 회귀분석 실시 (1-4) 다음은 옵션을 클릭 한다 . (1-3) “ 네 개 모두 (U)” 를 클릭하고 확인을 클 릭한다 . 5. 인장강도와 처리액 농도의 회귀분석(1) 회귀분석 실시 (1-6) 다음은 확인을 클릭 한다 . (1-5) “Durbin-Watson 통계량 (D)” 를 클릭하고 확인을 클릭한다 . 5. 인장강도와 처리액 농도의 회귀분석(1) 회귀분석 실시 (1-7) 미니탭의 세션 창에 회귀분석결과와 잔차분석 그래프가 표시된다 . 5. 인장강도와 처리액 농도의 회귀분석(1) 회귀분석 실시 → 분석결과 판정 - P- 값이 0.05 이상 이므로 회귀모형이 유의하다고 할 수 없음 . R- 제곱 ( 수정 ) 도 0.00% 로 X 가 Y 를 전혀 설명하고 있지 않다 . Durbin-Watson 통계량도 0 에 근접하고 있어 독립성에도 문제가 있어 보임 . 회귀 분석 : 인장강도 대 처리액농도 회귀 방정식은 인장강도 = 83.5 - 0.0155 처리액농도 예측 변수 계수 SE 계수 T P 상수 83.505 3.108 26.87 0.000 처리액농도 -0.01550 0.02572 -0.60 0.554 S = 1.62666 R- 제곱 = 2.0% R- 제곱 ( 수정 ) = 0.0% 분산 분석 출처 DF SS MS F P 회귀 1 0.961 0.961 0.36 0.554 잔차 오차 18 47.629 2.646 전체 19 48.590 Durbin-Watson 통계량 = 0.414166 (1-8) 회귀분석 판정 5. 인장강도와 처리액 농도의 회귀분석(1-9) 잔차분석결과 확인 상기 잔차분석결과 회귀모형이 선형보다는 곡선모형에 더 적합해 보임 . (1) 회귀분석 실시 5. 인장강도와 처리액 농도의 회귀분석(1-2) 반응란에 인장강도 , 예측변수 란에 처리액농도를 입력하고 “2 차와 (2-1) 미니탭에서 통계학 회귀 적합선 플 롯 (F) 를 클릭한다 . 5. 인장강도와 처리액 농도의 회귀분석 (2) 적합모형 찾기(2-4) 다음은 저장을 클릭 한다 . (2-3) “ 네 개 모두 (U)” 를 클릭하고 확인을 클 릭한다 . 5. 인장강도와 처리액 농도의 회귀분석 (2) 적합모형 찾기(2-6) 다음은 확인을 클릭 한다 . (2-5) “ 잔차 (R) 와 적합치 (F)” 를 클릭하고 확인을 클릭한다 . 5. 인장강도와 처리액 농도의 회귀분석 (2) 적합모형 찾기(2-7) 미니탭의 세션 창에 회귀분석결과와 잔차분석 그래프가 표시된다 . 5. 인장강도와 처리액 농도의 회귀분석 (2) 적합모형 찾기→ 분석결과 판정 - P- 값이 0.05 미만 이므로 회귀모형이 유의하다고 할 수 있으며 . R- 제곱 ( 수정 ) 도 92.3% 로 X 가 Y 를 잘 설명하고 있음을 알 수 있 다 . 선형 P 값이 0.554 이고 2 차 P 값이 0.000 이므로 선형보다 곡선이 더 적합하다고 할 수 있음 다항식 회귀 분석 : 인장강도 대 처리액농도 회귀 방정식은 인장강도 = - 42.77 + 2.119 처리액농도 - 0.008893 처리액농도 ** 2 S = 0.443387 R- 제곱 = 93.1% R- 제곱 ( 수정 ) = 92.3% 분산 분석 출처 DF SS MS F P 회귀 2 45.2474 22.6237 115.08 0.000 오차 17 3.3421 0.1966 총계 19 48.5895 순차적 분산 분석 출처 DF SS F P 선형 1 0.9610 0.36 0.554 2 차 1 44.2864 225.27 0.000 (2-8) 회귀분석 판정 5. 인장강도와 처리액 농도의 회귀분석 (2) 적합모형 찾기※ 참고 : 회귀분석 결과 판정기준 P- 값이 0.05 보다 작으면 기울기는 0 이 아니고 따라서 회귀 모형은 유의하다고 판단함 - R- 제곱 ( 수정 ) 은 일반적으로 64% 이상이면 X 가 Y 를 잘 설명한다고 할 수 있다 . ( 다중회귀분석시에는 일반적으로 R 제곱 의 지표를 사용한다 . 모형에 더해지는 term 의 수가 많아질수록 R 2 값은 커짐 . 통계적으로 유의하지 않은 term 이 더해진 경우 R 2 값은 인위적으로 부풀려지기 때문이다 . 반면에 조정된 R 2 (adj) 값은 “유용한” term 의 수에 영향을 덜 받기 때문임 .) VIF( 분산팽창계수 ) 예측변수 ( 인자 ) 들 간의 상관성 여부를 판단하는 지표로 일반적으로 10 이하이면 상관성이 없다고 할 수 있다 . Durbin-Watson 통계량은 잔차의 독립성 유무를 확인하는 지표로 4 에 가까우면 음의 자기상관을 가지고 , 0 에 가까우면 양의 자기상관을 가지며 2 에 가까우면 자기상관이 없음을 뜻함 . 5. 인장강도와 처리액 농도의 회귀분석(2-9) 잔차분석결과 확인 5. 인장강도와 처리액 농도의 회귀분석 상기 2 차 회귀모형에 대한 잔차분석결과 정규성 , 독립성 , 랜덤성 및 등분산성에 문제가 없어 보이므로 분석결과는 신뢰성이 있다고 할 수 있다 . (2) 적합모형 찾기 → 잔차분석결과 - 잔차의 정규성은 크게 이상은 없어 보임 . - 잔차의 등분산성 그림은 중심으로 부터 같은 폭으로 랜덤하게 퍼져 있으므로 등분산성의 가정이 충족되어 보임 . - 잔차의 랜덤성의 그림도 한쪽으로 치우친 점이 없어 문제가 없어 보임 . - 잔차의 독립성 그림은 시계열에 따라 랜덤으로 퍼져 있어 독립성에도 큰 문제 없어 보임 . 잔차 정규성 잔차 랜덤성 잔차 등분산성 잔차 독립성- 회귀분석 결과 회귀모형이 선형보다 곡선모형에 더 적합하다고 할 수 있으며 . 단 , 여기서 선형의 회귀관계가 없더라도 산점도를 반드시 작성해 보고 곡선의 회귀관계여부를 확인할 필요가 있음을 알 수 있다 . - 따라서 처리액 농도는 인장강도에 영향을 미치는 근본원인이라고 할 수 있고 , - 곡선의 회귀모형이 적합하기 때문에 회귀분석이나 실험계획법을 이용하여 최적화하면 인장강도 불량을 개선할 수 있음 . (3) 회귀분석 ( 곡선회귀 ) 결론 5. 인장강도와 처리액 농도의 회귀분석{nameOfA}

공학/기술| 2020.11.27| 23페이지| 3,000원| 조회(363)

회귀분석, 6시그마, regression, 곡선회귀분석

미리보기

닫기
분산분석(ANOVA) 기업의 실제적용사례

분산분석 (ANOVA) 기업의 실제적용사례 ( 미니탭 이용 ) 2020. 10. 05목 차 1. 제품 생산 시 현상 및 문제점 확인 2. 제품 Uniformity 불량 의 정의 및 잠재인자 도출 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악 4. 향후 활동 방향1. 제품 생산 시 현상 및 문제점 - 본 분산분석의 실제 적용사례는 전기전자 제품을 생산하는 기업으로 - 최근 주력 상품인 AAA 제품의 수율 (84%) 을 개선하기 위해 제품 불량 중 가장 높은 Uniformity 불량율 (6.9%) 을 개선하기로 하였다 . 또한 제품 생산라인 중 불량이 가장 많이 발생되는 B 라인의 개선이 시 급한 상황이었음 .2. 제품 Uniformity 불량 의 정의 및 잠재인자 도출 Uniformity 불량 의 정의 → Uniformity 불량율을 대표하고 측정이 용이한 대체 지표를 제품두께 표준편차로 선정하고 아래와 같이 정의함 . CTQ 대체지표 (Y) 단위 SPEC 측정시스템 Data 수집 LSL USL 측정 주기 계측기 기간 담당 UF 불량 개선 제품두께 표준편차 ( 산포 ) nm - 3.5 1 개 / 2hr 디지털 두께게이지 ’20. 8 OOO2. 제품 Uniformity 불량 의 정의 및 잠재인자 도출 (2) UF 불량 ( 제품두께의 표준편차 ) 의 원인이 될만한 잠재인자를 모두 도출 함 . → 생산팀 및 관련부서 전문가 집단의 브레인스토밍 (3) 도출된 많은 인자 중 영향이 클 것으로 예상되는 인자를 선별함 . → 선별실험 ( 많은 잠재인자 中 3~6 개 정도 선정 ) - Multi-voting 또는 X-Y Matrix 평가 → 잠재인자 4 개 ( T/C Height, On- uniformity, Indium flow 량 , temperature ) 를 선정함 * Quick Win 의 작업상 문제가 있는 부분은 표준화 , 교육 등으로 사전에 해결하였음 . Y’s ( 대체 지표 ) 잠재인자 (X’s) 평가 종합 점수 판정 Input/Process n-GaN On- uniformity 5 2 3 30 선정 QW Indium flow 량 4 3 2 24 선정 temperature 4 3 2 24 선정 표면온도 particle 제거 안됨 4 4 1 16 QW* Loading 시 각도 조절 4 2 1 8 제외 런 중 wafer 돌아감 4 1 1 4 제외 표면 coating cleaning 표준화 부족 5 3 1 15 QW*(1) 1 차 평가하여 선정된 4 개 인자에 대한 Data 를 수집하여 통계분석을 실시하여 근본원인 을 도출함 → 4 개 중 선정 점수가 가장 높은 T/C Height 에 대한 통계분석실시 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악 구분 통계값 적용기법 구 분 Data 유형 1 안 Y 제품두께 표준편차 계량형 ( 연속형 ) 회귀분석 X T/C Height- 연속 Data 계량형 ( 연속형 ) 2 안 Y 제품두께 표준편차 계량형 ( 연속형 ) 분산분석 X T/C Height- 수준 3 개 계수형 ( 이산형 ) (2) 통계적용기법 선정 * 대상 = T/C Height 구 분 Y( 제품두께 표준편차 ) 계량형 데이터 계수형 데이터 X ( T/C Height) 계량형 데이터 회귀분석 (Regression) 상관분석 (Correlation) [ 산점도 ] 논리적 회귀분석 (Logistic Regression) [ 역 산점도 ] 계수형 ( 속성형 ) 데이터 t - 검정 분산분석 (ANOVA) F – 검정 [Box-Plot, Histogram, Dot-Plot] P( 비율 )- 검정 카이제곱 검정 [ 시계열 차트 , 파레토 차트 , 런 차트 , P-Chart] → T/C Height 에 대한 최적화 보다는 유의성만 확인하기 위해서 수준 3 개 ( 계수치 Data) 대비 제품두께 표준편차 (Y 값 ) 로 분석할 경우 통계분석 기법은 일원분산분석임 .(3) Data 수집 → T/C Height 의 수준 3 개에 대한 제품두께 표준편차 Data No 수준 ( T/C Height) 1.5751 6 1.8 2.76 2.71 7 1.78 2.62 2.59 8 1.94 2.57 2.49 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악(4) 통계분석 ( 일원분산분석 )- 미니탭 이용 (4-1) Data 를 미니탭 Work sheet 에 입력한다 . (4-2) 통계분석의 신뢰성을 확보하기 위해 정규성 Test 를 실시한다 . 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악“C1 H-1.57” 를 더블클릭하면 “ 확인 ” 을 클릭하면 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악아래와 같이 H-1.57 Data 의 정규성 확률 플 롯이 나온다 . → 분석결과 : P 값이 0.05 이상이므로 수집된 Data 는 정규성이 있다고 할 수 있음 . 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악H-1.58 과 H-1.59 Data 도 동일한 방법으로 정규성 Test 를 실시하면 ... → 분석결과 : P 값이 H-1.58 은 0.05 이상이므로 수집된 Data 는 정규성이 있으며 , P 값이 H-1.59 도 0.05 이상이므로 정규성이 있다고 할 수 있음 ※ 참고 : 정규성 Test 후 정규성이 없을 경우 원인파악하여 Data 신뢰성 확보 후 ( 이상치 제거 , 수집 Miss 시 재수집 등 ) 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악(4) 통계분석 ( 일원분산분석 )- 미니탭 이용 (4-3) Data 의 또다른 신뢰성을 확인하기 위해서 등분산성 검정을 실시한다 . 등분산성 분석을 위해 아래와 같이 Data 쌓기를 실시한다 . 클릭하면 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악(4) 통계분석 ( 일원분산분석 )- 미니탭 이용 (4-3) Data 의 또다른 신뢰성을 확인하기 위해서 등분산성 검정을 실시한다 . 아래와 같이 Data 쌓기 후 제목을 입력한다 . 제목을 입력한다 클릭한다 통계학 분산분석 (A) 등 분산 검정 (V) 3. 분산분석을 통한 Vita 반응과 요인을 아래와 같이 입력하고 확인을 클릭한다 . “ 확인 ” 을 클릭하면 → 분석결과 : 정규성이 있을 경우 Bartlett 검정의 P 값으로 판정한다 . P 값이 0.05 이상이므로 수집된 Data 는 등분산성이 있다고 할 수 있음 . 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악(4) 통계분석 ( 일원분산분석 )- 미니탭 이용 (4-4) 정규성과 등분산성이 확인되었으므로 일원분산분석을 실시한다 . 클릭한다 클릭한다 잔차 저장과 적합치 저장을 클릭하고 그래프도 클 릭한다 통계학 분산분석 (A) 일원분산분석 (O) 클릭한다 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악클릭한다 데이터 상자 그림 (B) 과 잔차 플롯의 네 개 모두 (U) 를 클릭하고 확인을 클릭한다 . 클릭한다 클릭한다 클릭한다 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악우선 잔차분석을 통해 Data 수집 및 분석모형에 대한 타당성 검증을 실시한다 . 정규 확률지에 의한 정규성 확인 히스토그램에 의한 정규성 확인 군별 잔차의 등분산성 확인 런차트를 통한 랜덤성 확인 ( + 독립성 ) 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악→ 분석결과 : P 값이 0.05 이상이므로 수집된 Data 는 정규성이 있다고 할 수 있음 ① 잔차 정규성 확인 클릭한다 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악② 잔차 등분산성 확인 클릭한다 통계학 분산분석 (A) 등 분산 검정 (V) → 분석결과 : 정규성이 있을 경우 Bartlett 검정의 P 값으로 판정한다 . P 값이 0.05 이상이므로 수집된 Data 는 등분산성이 있다고 할 수 있음 . 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악③ 잔차 독립성 확인 통계학 품질도구 (Q) 런 챠트 (R) 클릭한다 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악③ 잔차 독립성 확인 → 분석결과 : 런챠트 분석 결과 “ 군집화 , 혼합물 타당성이 있다고 할 수 있음 . 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악(4) 통계분석 ( 일원분산분석 )- 미니탭 이용 (4-4) 정규성과 등분산성이 확인되었으므로 세션창의 분산분석결과를 확인한다 . 일원분산분석 (A) 결과 확인 일원 분산 분석 : 제품두께표준편차 대 T/C Hejght 출처 DF SS MS F P T/C Hejght 2 1.7332 0.8666 25.98 0.000 오차 21 0.7004 0.0334 총계 23 2.4337 S = 0.1826 R- 제곱 = 71.22% R- 제곱 ( 수정 ) = 68.48% 합동 표준 편차에 근거한 평균의 개별 95% CI 수준 N 평균 표준 편차 ---+---------+---------+---------+------ H-1.57 8 2.0675 0.2197 (-----*----) H-1.58 8 2.7175 0.0850 (-----*----) H-1.59 8 2.4825 0.2112 (----*-----) ---+---------+---------+---------+------ 2.00 2.25 2.50 2.75 합동 표준 편차 = 0.1826 → 분석결과 : T/C Height 의 P 값이 0.05 이하이고 R- 제곱 ( 수정 )(= 68.48%) 도 60% 이상 이므로 T /C Height 는 제품두께 표준편차에 유의하다고 할 수 있음 . 즉 , T/C Height 는 제품두께 표준편차에 영향을 미치는 근본원인 (Vital Few) 임 . 3. 분산분석을 통한 Vital Few X ( 근본원인 ) 파악분산분석으로 T/C Height 가 근본원인 (Vital Few X) 으로 확인되었으므로 (1) 남아있는 다른 잠재인자 3 개도 여러가지 방법 ( 통계분석 , 정성분석 등 ) 으로 근본원인 여부를 확인한다 . (2) 이상으로 최종 확인된 근본원인을 대상으로 최적화 작업 실시한다 * 최적화 작업은 실험계획법 , 회귀분석 , 벤치마킹 , 고유기술활용 , Process 개선 . 교육

경영/경제| 2020.10.22| 23페이지| 3,000원| 조회(482)

통계분석, 분산분석, ANOVA, 통계적 분석, 6시그마 사례, 일원분산분석, on..

미리보기

닫기
실험계획법 기업의 실제적용사례-2편

실험계획법 기업의 실제적용사례 -2 편 2018. 11. 01 - 사용 S/W : 미니탭 (Minitab) - 적용 기법 : 공정능력분석 정규성 검정 Box-Cox 변환 Stepwise Regression 다중회귀분석 Historical DOE ( 반응표면설계 ) 1- 표본 t 검정 I-MR 관리도목 차 1. 기업의 제품생산 현상 및 문제점 확인 2. CTQ( 비표면적 ) 에 대한 공정능력분석 3. 비표면적 불량의 근본원인 파악 4. 다중회귀분석을 통한 1 차 최적화 5. 실험계획법 (DOE) 을 통한 최적화 6. 최적화 결과 검증 7. 회귀분석 및 실험계획법 최적화 결과 정리1. 기업의 제품생산 현상 및 문제점 - 본 회귀분석 및 실험계획법의 실제 적용사례는 화학제품을 생산하는 기업으로 - 최근 고객사의 요구에 의거 신상품을 개발하여 초도품을 정상적으로 생산하여 공급이 원활하게 이루어지고 있었다 . - 하지만 초도품 생산 후 3 개월 지난 시점부터 어떤 원인인지 모르지만 AAA 신제품의 비표면적 불량이 다량으로 발생되어 생산후 전수검사로 인한 납기지연으로 고객사에 정상적으로 공급이 어려울뿐만 아니라 , 불량 Loss 도 많아 수익성도 악화되고 있는 실정이었음 . 고객사에 정상적으로 공급하고 수익성 제고를 위해서는 AAA 제품의 비표면적 불량율 (25%) 개선이 시급한 상황이었음 . - 이에 생산팀은 비표면적 품질을 개선하기 위해서 불량 현상수준을 명확히 정의하고 불량원인을 파악하여 설비 등 4M( 작업자 / 설비 / 원부 재료 / 방법 ) 을 개선하기로 하였다 .2. CTQ*( 비표면적 ) 에 대한 공정능력분석 AAA 제품의 비표면적 품질수준을 확인하기 위해 Data 를 수집하였다 . (0000.00.00~XX.XX 까지 24 일간 Data) (2) 수집 Data 의 신뢰성을 확인하기 위해서 정규성 Test 를 실시함 . 비표면적 576 465 470 380 655 455 632 495 360 670 343 473 비표면적 435 302 377 325 6370 210 120 625 0 9 70 210 90 473 0 9 70 210 90 435 0 10.5 70 282 60 360 0 10.5 50 282 120 670 100 7 50 210 120 637 0 12 50 282 120 674 0 12 70 210 90 495 0 10.5 70 282 60 360 0 10.5 50 282 120 670 150 7 70 210 60 343 0 9 70 210 90 473 0 9 70 210 90 435 0 9 70 175 60 302 0 9 70 140 60 377 0 9 70 70 60 325 100 7 50 210 120 637 100 9 70 210 90 4063. 비표면적 불량의 근본원인 파악 (4) Stepwise Regression 내용 수집된 Data 를 미니탭 워크시트에 입력한다 통계학 회귀 단계적 회귀를 클릭한다3. 비표면적 불량의 근본원인 파악 (4) Stepwise Regression 내용 반응에 “ 비표면적“ , 예측변수에 “ 물투입량 , 중탄산 , 산의농도 , 산투입량 , 반응시간＂을 선택하여 입력하고 확인을 클릭한다 . 아래와 같이 세션 창에 단계적 회귀 결과가 나온다 .3. 비표면적 불량의 근본원인 파악 (4) Stepwise Regression 내용 단계적 회귀 결과의 해석 단계적 회귀 : 비표면적 대 물 투입량 , 중탄산 , 산의 농도 , 산 투입량 , 반응시간 5 개의 예측변수 (N = 18) 에서 반응은 비표면적입니다 . 단계 1 2 3 상수 21.67 446.33 391.07 반응시간 5.13 3.61 3.54 T- 값 15.17 6.79 6.97 P- 값 0.000 0.000 0.000 산의 농도 -4.6 -4.6 T- 값 -3.29 -3.46 P- 값 0.005 0.004 중탄산 6.5 T- 값 1.61 P- 값 0.131 35.1 27.6 26.3 R- 제곱 93.50 96.23 96.81 R- 제곱 ( 수정 ) 93.09 95.72 96.13 Mallows C-p 13.7 귀분석을 통한 1 차 최적화 ※ 다중회귀 분석 결과 판정기준 P- 값이 0.05 보다 작으면 기울기는 0 이 아니고 따라서 회귀 모형은 유의하다고 판단함 - R- 제곱 ( 수정 ) 은 일반적으로 64% 이상이면 X 가 Y 를 잘 설명한다고 할 수 있다 . ( 다중회귀분석시에는 일반적으로 R 제곱 보다는 R 제곱 ( 수정 ) 의 지표를 사용한다 . 모형에 더해지는 term 의 수가 많아질수록 R 2 값은 커짐 . 통계적으로 유의하지 않은 term 이 더해진 경우 R 2 값은 인위적으로 부풀려지기 때문이다 . 반면에 조정된 R 2 (adj) 값은 “유용한” term 의 수에 영향을 덜 받기 때문임 .) VIF( 분산팽창계수 ) 예측변수 ( 인자 ) 들 간의 상관성 여부를 판단하는 지표로 일반적으로 10 이하이면 상관성이 없다고 할 수 있다 . Durbin-Watson 통계량은 잔차의 독립성 유무를 확인하는 지표로 4 에 가까우면 음의 자기상관을 가지고 , 0 에 가까우면 양의 자기상관을 가지며 2 에 가까우면 자기상관이 없음을 뜻함 .4. 다중회귀분석을 통한 1 차 최적화 그리고 분석결과의 신뢰성을 확인하기 위해 잔차분석의 그래프를 해석해 본다 . → 잔차분석결과 - 잔차의 정규성은 크게 이상은 없어 보이나 , 일부 일직선상에서 떨어진 점들이 보이므로 확인 필요 - 잔차의 등분산성 그림은 중심으로 부터 같은 폭으로 랜덤하게 퍼져 있으므로 등분산성의 가정이 충족되어 보임 . - 잔차의 랜덤성의 그림도 한쪽으로 치우친 점이 없어 문제가 없어 보임 . - 잔차의 독립성 그림은 다소 곡선의 경향 (pattern) 이 있어 보이나 , 앞서 세션 창에 나온 Durbin-Watson 통계량이 2 에 근접하고 있어 잔차의 독립성에도 큰 문제가 없어 보임 . 잔차 정규성 잔차 랜덤성 잔차 등분산성 잔차 독립성 ※ 잔차분석은 회귀식의 기본 가정인 정규성 , 랜덤성 , 등분산성 및 독립성이 모두 만족하여야 회귀모형이 적절하다고 할 수 있다4. 다중회귀분석을 통한 1 차 최적화 ※ 비) 제품 비표면적과 핵심인자 ( 산의 농도 , 반응 시간 ) 에 대한 실험계획수립 실험 명 Y ( 특성치 ) X 인자 특성치 명 규격 인자명 1 수준 (-1) 2 수준 (1) Historical DOE ( 반응표면 설계 이용 ) AAA 제품 비표면적 500 이하 ( 목표 450) 산의 농도 과거 Data 활용하므로 수준 미지정 반응시간 과거 Data 활용하므로 수준 미지정 (2) 비표면적과 핵심인자 ( 산의 농도 , 반응 시간 ) 과거 Raw Data 수집함 ( 다중회귀분석 시 수집한 Data 활용 ) → Data 수집과 실험계획기법 선정 화학장치 공장의 경우 임의대로 조건을 변경시 불량 , 설비고장 등의 Risk 가 많아 별도 조건으로 실험은 불가능하여 과거 Data 를 활용 ( 단 , 설비 개조가 되지 않은 동등상태의 Data 활용 ) 정해진 수준에 따라 실험하는 것이 아니기 때문에 Historical DOE 를 결정하였으며 , 요인설계는 선형에 국한되지만 반응표면설계는 곡선 형까지도 분석이 가능하여 선정함 . 산의 농도 반응시간 비표면적 50 120 625 70 90 473 70 90 435 70 60 360 50 120 670 50 120 637 50 120 674 70 90 495 70 60 360 50 120 670 70 60 343 70 90 473 70 90 435 70 60 302 70 60 377 70 60 325 50 120 637 70 90 406(3) Historical DOE( 실험계획법 ) 방법을 적용하여 Data 를 분석함 . (3-1) Data 를 미니탭 Work sheet 에 입력한다 . (3-2) 통계학 DOE 반응표면설계 사용자 정의 반응표면설계 정의를 클릭한다 . 5. 실험계획법 (DOE) 을 통한 최적화요인 란에 “ 산의 농도 / 반응시간 ” 을 선택하여 입력하고 “ 저수준 / 고수준＂을 클릭 . 이 화면에서 다시 확인을 클릭하면 아래 화면 나옴 이상태에서 바로 ＂설계 ” 를 클릭한다 . 5. 실험계획법 (DOE) 을 통표면적을 선택하고 옵션을 클릭한다통계학 기초통계학 1- 표본 t 를 클릭한다 6. 최적화 결과 검증 (1) 최적화 결과 개선여부 검증을 위해 “1- 표본 t 검정 ” 을 해보면 ... 표본이 있는 열에 개선후 - 비표면적을 선택하고 검정평균에 규격상한인 550 을 입력하고 옵션을 클릭한다대립가설에 규격상한 ( 적 으면 적을수록 좋기 때문에 ) 이므로 “ 작음 (less than)” 을 선택하고 , 확인을 클릭한다 6. 최적화 결과 검증 (1) 최적화 결과 개선여부 검증을 위해 “1- 표본 t 검정 ” 을 해보면 ... 아래 화면에서 다시 확인을 클릭한다1- 표본 T: 개선후 - 비표면적 mu = 550 대 550 의 검정 변수 N 평균 표준 편차 SE 평균 95% 상한 T P 개선후 - 비표면적 10 456.900 23.699 7.494 470.638 -12.42 0.000 세션 창에 아래와 같이 1- 표본 t 검정 결과가 나온다 6. 최적화 결과 검증 (1) 최적화 결과 개선여부 검증을 위해 “1- 표본 t 검정 ” 을 해보면 ... → 분석결과 해석 1- 표본 t 검정결과 P 값이 0.05 이하 이므로 95% 신뢰구간에서 유의한 것으로 확인됨 . 즉 , 개선후 - 비표면적의 값이 규격상한 550 보다 적다고 할 수 있다 . ※ 아래그림은 통계학 기초통계학 1- 표본 t 그래프 개별값 플롯 확인 확인 을 클릭하면 확인 가능6. 최적화 결과 검증 (2) 참고로 개선전 . 후 비표면적의 I-MR 관리도를 그려보면 … Data 를 미니탭 Work sheet 에 아래와 같이 입력한다 . 구분 비표면적 - 관리도 구분번호 개선전 625 1 개선전 473 2 개선전 435 3 개선전 360 4 개선전 670 5 개선전 637 6 개선전 674 7 개선전 495 8 개선전 360 9 개선전 670 10 개선전 343 11 개선전 473 12 개선전 435 13 개선전 302 14 개선전 377 15 개선전 325 16 개선전 637 17 개선전 406 18 개선후 495ow}

경영/경제| 2018.11.02| 50페이지| 3,000원| 조회(394)

다중회귀분석, DMAIC사례, Stepwise Regression, Histo..

미리보기

닫기
접시와 싱크대 청소 장치 제조업체의손익분기점 판매량 및 매출총이익 산출 (최근1개월 요청자료) 평가A+최고예요

접시 싱크대 청소 장치 제조업체의 손익분기점 판매량 및 매출총이익 산출 ( 요청자료 ) 2018. 10. 19목 차 1 . 손익분기점 판매량 산출 ( 요청사항 ) 2. 매출총이익 산출 ( 요청사항 ) 3. 손익분기점 및 매출총이익 산출 사례1. 손익분기점 판매량 산출 ( 요청사항 ) 1. 창업 전 기업의 예상 현황 어떤 소규모 제조업체의 사장이 접시를 닦고 부엌용 싱크대를 청소하는 새로운 장치를 개발하여 특허를 획득했다 . 상용화에 앞서 사장은 성공 가능성이 어느 정도 높았으면 한다 . 이 장치의 변동비는 단위당 7 달러로 예상되며 , 고정비는 연간 56,000 달러로 추정된다 . 2. 손익분기 점 판매량 산출 판매가격을 25 달러로 한다면 손익분기점에 다다르기 위해 얼마나 많이 판매해야 하는가 ? 이를 토대로 공헌이익 , 공헌이익률 , 손익분기점 판매량 등을 구하면 풀이 따라서 , 손익분기점 판매량 =3112 대 항 목 산출식 결과 ($) 단위당 변동비 ($) - 7 연간 고정비 - 56000 판매가격 - 25 판매량 - ? 단위당 공헌이익 ( 단위당 판매가격 - 단위당 변동원가 ) =25-7 18 단위당 공헌이익율 % =(18/25)*100 72 손익분기점 판매량 = ( 연간고정비 ÷ 단위당 공헌이익 ) =56000/18 3111.1112. 매출총이익 산출 ( 요청사항 ) 1. 창업 전 기업의 예상 현황 어떤 소규모 제조업체의 사장이 접시를 닦고 부엌용 싱크대를 청소하는 새로운 장치를 개발하여 특허를 획득했다 . 상용화에 앞서 사장은 성공 가능성이 어느 정도 높았으면 한다 . 이 장치의 변동비는 단위당 7 달러로 예상되며 , 고정비는 연간 56,000 달러로 추정된다 . 2. 매출총이익 산출 가격을 15 달러로 정하면 첫 해에 10,000 대를 판매할 수 있을 것으로 예측된다 . 이 가격을 택하면 첫 해에 이 제품의 이익은 얼마나 될까 ? 이를 토대로 공헌이익 , 손익분기점 판매량 , 매출총이익 등을 구하면 풀이 따라서 , 첫해 매출총이익 =24000$ 항 목 산출식 결과 ($) 단위당 변동비 ($) - 7 연간 고정비 - 56000 판매가격 - 15 판매량 - 10000 단위당 공헌이익 ( 단위당 판매가격 - 단위당 변동원가 ) =15-7 8 단위당 공헌이익율 % =(8/15)*100 53.3 손익분기점 판매량 ( 연간고정비 ÷ 단위당 공헌이익 ) =56000/8 7000 매출총이익 - 방법 1 ( 총판매량 - 손익분기점판매량 )*( 단위당 판매가격 - 단위당 변동원가 ) =(10000-7000)*(15-7) 24000 매출총이익 - 방법 2 ( 총판매액 - 총비용 )={( 판매량*단위당 판매가격 )-( 연간고정비 + 총변동원가 )} =(10000*15)-{(56000+(7*10000)} 240003. 손익분기점 및 매출총이익 산출 사례 A 회사는 년간 100 대의 TV 를 생산 하여 한 대당 5,000 원에 모두 판매하였다 . 1 대당 변동원가는 1,000 원이고 , 년간 발생 고정원가는 200,000 원이다 . 공헌이익 , 공헌이익률 , 손익분기점 판매량 / 판매액 , 매출총이익 을 구하 라 . 풀이 내용 1. 단위당 공헌이익 : 5,000 - 1,000 = 4,000 원 2. 총 공헌이익 : 4,000 ( 단위당 공헌이익 ) × 100 대 = 400,000 원 3. 공헌이익률 : 4000 ÷ 5,,000 = 80% 4. 손익분기점 판매량 : 200,000 ( 고정비 ) ÷ 4,000 ( 단위당 공헌이익 ) = 50 대 5. 손익분기점 매출액 : 200,000 ÷ 0.8 = 250,000 ( 또는 50*5000=250000) 6. 매출총이익 : 총매출액 -( 총고정비 + 총변동비 ) =(100*5000)-{(200,000+100*1000)}=200,000 원{nameOfApplication=Show}

경영/경제| 2018.10.19| 5페이지| 2,000원| 조회(801)

손익분기점, BEP, 매출총이익, 원가산출, 손익분기점 판매량, 손익분기점 매출액, 손익분기점 산출사례

미리보기

닫기
SIT 개요 및 5가지 사고도구 (최근1개월 요청자료)

2018. 10. 18SIT 개요 및 5가지 사고도구SIT란 무엇인가? SIT의 탄생 배경 SIT의 적용영역 SIT의 프로젝트 추진방법 SIT 5가지 원칙 SIT의 5가지 사고도구SIT란 무엇인가?사람은 누구나 고정관념을 가지고 있으며, 창조적인 아이디어를 도출하기 위해서는 고정관념을 깨는 것이 매우 중요함 SIT는 Systematic Inventive Thinking의 약자로 체계적이고 독창적인 사고기법 어떠한 문제를 해결하고자 할 때 해결책을 위한 생각을 단순화시키며 창의적인 해결책을 찾을 수 있도록 도와주는 사고기법 SIT는 Brainstorming과는 달리 최대한 많은 아이디어가 아니라 최소한의 양질의 아이디어를 얻고자 하며 이것이 체계적인 프로세스를 통해 아이디어를 도출하는 이유임SIT의 탄생 배경-SIT의 역사이스라엘의 Roni Horowitz가 1988년 부터 Altshuller와 함께 연구했던 필코브스키 (Filkovsky)로 부터 TRIZ 방법론을 교육 받은 후 TRIZ사상을 널리 그리고 쉽게 활용할 수 있도록 만든 창의적 문제 해결기법입니다. - TRIZ의 40가지 원리를 5 가지 Thinking Tool로 축약하고 - 이 툴들이 문제해결 시 효과적으로 사용 할 수 있도록 문제를 정의하고 분석하는 5가지 Principle를 정의하였으며, - 문제를 재규명  문제해결 대안 생성  대안의 실행 가능성조사로 이루어진 Problem Solving, NPD 프로세스에 5가지 Thinking Tool과 5가지 Principle를 활용하여 문제를 해결하도록 하였습니다.TRIZ Genrich AltshullerGinadi FilkovskySIT Roni HorowitzASIT Advanced Systematic Inventive Thinking 이스라엘USIT Unified Structured Inventive Thinking 미국, 일본1940년1970년1997년일반적인 문제 이외에는 상당히 공학적이며 특정한 문제에만 적용되는 원리들이 있다. (18번versality – 하나의 부품으로 여러 용도 사용 7) Nesting- 안에 집어 넣기 8) Counterweight – 지구의 중력으로 부터 무게를 회피 9) Preliminary Counteraction- 미리 반대 방향으로 조치 10)Preliminary Action – 미리 조치 한다 11)Compensation – 미리 예방 조치를 취한다 12)Equipotentiality – 들어서 옮길 필요 없다 13)Reverse – 반대로 해본다 14)Sphericity – 직선을 곡선으로 바꾸어 본다 15)Degree of Dynamism–부분단계마다 자유롭게 움직이기 16)Excess or Shortage – 지나치게 하거나 부족하게 17)Change Dimension – X 혹은 Y 축 등으로 바꾼다 18)Oscillation – 진동을 이용한다 19)Periodic Actions - 연속적이지 않고 주기적으로 한다 20)Steady Useful Action – 유용한 작업은 쉬지 않게21)Rushing Through – 유해하면 빨리 진행 22)Turn a Minus into a Plus – 유해한 것을 좋은 것으로 23)Feedback- 피드백을 도입한다 24)Inserting –직접 하지 않고 중간 매개물을 이용 25)Self Service-저절로 기능이 수행 되도록 26)Copying- 복잡하고 비싸고 불편한것은 간단한것으로 복사한다 27)Cheap Short Life-한번 쓰고 버린다 28)Redesigning-기계적인 시스템은 광학,음향시스템으로 바꾼다 29)Fluid System- 공기나 유압을 사용한다 30)Flexible Membranes and Thin Films- 얇은막, 필름을 사용 31)Porous Materials – 미세한 구멍을 가진 물질 사용 32)Changing color- 색깔 변화등 광학적 성질을 변화시킨다 33)Homogeneity-기왕이면 같은 재료를 사용 34)Rejection and Regeneration –효과적으로 enabling하기 위한 5가지의 원칙을 설정하였음. 이 도구와 원칙 상에서 집단 지성 발현을 위한 Skill와 체계적 문제 해결 프로세스를 결합하여 SIT이 완성되어짐SIT의 5가지 원칙한정된 세계의 원칙 (Closed World) 반드시 문제가 정의된 시스템 내의 자원만을 사용해야 한다는 해결안 경제성의 원칙FF질적 변환의 원칙 (Qualitative Change) 문제가 완전히 해결되거나 문제 자체가 없어져 버려야 한다는 해결안 완결성의 원칙형태 우선주의 원칙 (Function Follows Form) 이상적이거나 완전히 새로운 형태에서부터 출발하여야 한다는 창조성 방향의 원칙최고저항 경로 선택의 원칙 (Path of Most Resistance) 가장 어렵거나, 획기적이거나, 저항이 클 것으로 예상되는 경로에 집중하라는 창조적 동기 부여의 원칙원안 적용 우선의 원칙 (Limit Rather than Dilute) 저항 봉착 시 수준을 낮추기 보다 적용 범위를 좁히라는 단계적 저항 극복의 원칙한정된 세계의 원칙 (Closed World) – 사례문제 상황 경찰이 데모군중을 제한지역 안으로 들어오려는 상황을 막기 위하여 바리케이드를 설치한다. 하지만 데모군중의 수가 많아지면 바리케이드에 가해지는 힘으로 바리케이드가 넘어진다. 어떻게 하면 바리케이드가 넘어지지 않도록 할 수 있을까?창조적인 해결책은 Closed World의 조건을 만족시켜야 한다. 즉, “새로운 유형의 사물들을 추가하지 않으면서 데모군중의 숫자가 늘어나도 바리케이트가 쓰러질 가능성을 줄이는 해결책”을 찾아야 한다SIT의 5가지 원칙질적 변환의 원칙 (Qualitative Change)–사례문제 상황 A자동차회사는 독일의 고급 승용차와 경쟁할만한 고급 승용차를 개발하려고 한다. 이를 위해 독일차에 필적할만한 고출력을 낼 수 있는 최신 6기통 엔진을 개발하였으나 A자동차회사의 자랑이던 연비가 낮아져 고민이다. 고출력을 유지하기 위해서는 6기통 엔진을 채택해야 하고 연비를 위해서는 4기녹아 실험이 불가하여, 신규금속재료를 용기로 사용하여 실험Task Unification (용도 통합)– 적용 절차Task Unification은 문제 세계에 존재하는 구성요소를 사용하여 우리가 원하는 기능을 구현할 수 있도록 한다. Task Unification은 기능적 고정관념을 극복할 수 있도록 도와준다.1) 문제의, 혹은 환경의 구성요소 중 하나를 선택한다 2) Pre-Idea를 만든다 : 선택한 요소가 수행하기 원하는 행동을 문장으로 써본다. [선택된 요소]는 기존의 구성요소에 새로운 용도를 부여하여 [원하는 행위]를 수행할 것이다 3) 아이디어를 완벽화, 구체화한다 - 도출된 아이디어는 위의 문장에서 직접적으로 파생된 아이디어여야 한다. 4) 질적인 변화(Qualitative Change)가 있는지 확인해 본다. 5) 다른 요소를 가지고 위의 프로세스를 다시 수행해 본다.Multiplication (복제)MU정의 현재 존재하는 구성요소와 같거나 유사한 유형의 구성요소를 복제하여 추가함으로써 문제를 해결하는 기법 개념 단순히 양적 변화를 넘어서서 질적인 변화를 달성하기 위함 특별히 유용한 곳 새로운 컨셉을 신속히 만들어 내고자 할 때사례 : 유전에서의 화재 진화방법 폭발물을 설치하여 폭발하는 순간 일시적으로 모든 산소를 소모시킴으로써 기존의 불을 끈다. “불을 더 큰불로 끈다”Multiplication (복제)– 적용 절차Multiplication은 기존에 존재하는 것들과 동일한 유형의 요소를 외부 세계로부터 추가하게 된다. 그리고 동일한 유형의 요소이지만 질적으로 다른 속성이어야 한다.1) 문제의, 혹은 환경의 구성요소 중 하나를 선택한다 2) Pre-Idea를 만든다 : 선택한 요소가 수행하기를 원하는 행동을 문장으로 써본다. [선택된 요소]를 복제한 새로운 요소는 [원하는 행위]를 수행할 것이다 - 새로운 요소는 원래의 요소에 추가되어야 하며, 대체하는 것은 아니다. - 새로운 요소(또는 구성요소)는 일반적으로 원래의 요소와 똑같지는 않다. 3) 또는 시간의 순서를 변화시켜 본다. 구성요소 중 하나를 제거하고, 나머지요소로 재구성 해본다. 더 나아가 문제요소를 원래의 부분들이 아닌 것으로 분할해 본다. 4) 아이디어를 완벽화, 구체화한다 - 명확한 아이디어를 만들기 위해서 이전 단계로 부터 온 생각들을 정리해본다. 5) 질적인 변화(Qualitative Change)가 있는지 확인해 본다. 6) 다른 요소를 가지고 위의 프로세스를 다시 수행해 본다.Attribute Dependency (속성의존)AD정의 제품 또는 서비스의 두 변수 사이의 현존하는 관계를 제거하거나 새로운 관계를 만들어 문제를 해결하는 방법 개념 변수간의 관계를 바꾸거나, 제거하거나, 새로이 만드는 것 특별히 유용한 곳 모든 가능한 제품 개발을 뽑아낼 때 제품의 가능성을 예측할 때 마케팅 및 판매 전략 수립사례 : 온도에 따라 색상이 변하는 맥주병 점점 소리가 커지는 알람 시계 색깔이 바뀌는 칫솔Attribute Dependency (속성의존)– 적용 절차일반적으로 문제 속에서 대칭적인 요소를 만나면 그것을 문제로 보지 않는 경향이 있다. Attribute Dependency는 이러한 제약을 극복하는데 도움을 준다. 먼저 대칭을 찾고, 그 대칭을 깨트린다1) 문제의, 혹은 환경의 구성요소 중 하나를 선택한다 - 문제의 구성요소의 대칭을 깨는 것만으로도 해결되는 경우가 많다 2) 선택된 요소의 속성 혹은 변수들의 리스트를 만든다 - 문제와 관련된 또는 선택된 요소의 독특한 속성에 집중한다 3) Pre-Idea를 만든다 : 공간, 시간, 집단 대칭을 깨뜨려 본다. 속성을 선택 후 아래의 3문장을 만들어 본다. 1. [선택된 요소]의 다른 위치에, [선택된 속성]의 다른 가치가 있다 2. 다른 시간대에 [선택된 속성]의 다른 가치가 있다 3. [선택된 요소]의 집단의 각 요소들이 [선택된 속성]의 다른 가치를 가지고 있다 4) 아이디어를 완벽화, 구체화한다 - 명확한 아이디어를 만들기 위해서 이전 단계로부터 온 생각들을 정리해본다. 가능하면

경영/경제| 2018.10.19| 23페이지| 3,000원| 조회(584)

triz, ASIT, SIT, 창의력 향상, 창의적문제해결기법, Systemati..

미리보기

닫기