4. 良率数据探索性分析实战

拿到一条产线连续三个月的良率数据，最忌讳的做法是直接套用预测模型。探索性分析（EDA）的价值在于：在建模之前，先把数据的"形状"看清楚——良率整体落在什么水平、波动有多大、哪些批次明显偏离、时间上是否存在趋势或周期性断点。本节以一条假设的烘焙类食品产线为例，走完从原始数据到初步问题假设的完整分析路径。所有数据均为教学示例，用于说明分析方法，不代表任何真实企业实测结果。

一、先明确分析对象与数据口径

本例的数据对象是产线每日按批次记录的良率明细表，字段包括：日期、班次（早/中/晚）、批次号、产品规格、投料量、合格入库量、良率（合格入库量/投料量）、关键工序温度均值、包装封口不良数。良率定义为合格入库量占投料量的百分比，全文统一采用这一口径，不做二次换算。分析前必须先做三件事：确认良率字段是否为系统计算值而非人工填写、剔除试产与返工重录的重复批次、检查投料量为零或良率大于100%的异常记录。这一步不做，后面的分布和趋势都会被污染。

二、良率分布统计：看中心、看离散、看尾部

对三个月共约270个批次计算描述统计：均值92.4%、中位数93.1%、标准差2.8个百分点、最小值81.6%、最大值97.2%。均值低于中位数，说明分布左偏——存在一批明显偏低的批次把均值拉了下来。进一步做分箱统计，把良率按1个百分点分组绘制直方图，可以看到主峰集中在92%～95%，但在82%～86%区间有一个孤立的小峰，约占总批次的6%。这个小峰就是后续要重点追查的对象。

同时计算分位数：P10为88.9%、P25为91.5%、P75为94.6%、P90为95.8%。P10与P90之间跨度约7个百分点，说明产线稳定性一般。工程上通常把低于P10的批次列为"低良率批次"进入重点分析池，本例即良率低于88.9%的批次，共27个。

三、批次差异分析：按班次、规格、工序参数分层

整体分布只能说明"有问题"，分层才能说明"问题在哪"。按班次分组：早班均值93.6%、中班92.8%、晚班90.9%，晚班明显偏低且标准差最大（3.4个百分点）。按产品规格分组：规格A均值94.1%，规格B均值91.2%，规格B的低良率批次占比更高。按关键工序温度均值分组：把温度分为低于设定下限、处于区间内、高于上限三组，对应良率均值分别为89.3%、93.8%、92.1%，温度偏低组的良率损失最明显。

这里要注意一个常见陷阱：班次与规格可能高度相关（例如晚班多排产规格B），单看某一维度的差异可能是另一维度的伪装。因此需要做交叉分组，例如"晚班×规格B"的良率均值只有89.7%，而"早班×规格B"为92.5%，说明班次因素在规格B上被放大，值得优先排查晚班的温度控制与人员操作一致性。

四、时间趋势可视化：识别趋势、断点与周期性

把每日良率按时间顺序连成折线，并叠加7日移动平均以平滑班次噪声。观察结果：前四周良率在92%～94%之间小幅波动；第5周起出现连续下滑，第6周周均降至90.2%，与换季期间环境温湿度变化的时间点吻合；第7至9周维持在90%～91%的低位平台；第10周设备保养后回升至92.5%以上。这条折线至少提示两个假设：一是换季带来的环境条件变化可能影响关键工序温度稳定性，二是设备状态（保养前后）对良率有可观测的影响。

此外，按班次分别绘制折线可以发现，晚班良率的波动幅度始终大于早班，且在第5至9周的下滑中跌幅更大。这进一步支持"晚班过程控制能力较弱"的假设。趋势图不要只画一条总良率线，分层叠加才能把"整体下滑"拆解为"谁在下滑"。

五、形成初步问题假设

基于以上分布、分层与趋势三方面证据，可以整理出三条可验证的初步假设：

• 假设H1：晚班在规格B产品上的关键工序温度偏低，导致良率损失。验证方式：调取晚班规格B批次的温度逐时记录，与早班同规格对比，检查低于下限的时长占比。
• 假设H2：换季期间环境温湿度变化使温度控制难度上升，造成第5至9周的整体下滑。验证方式：引入车间温湿度记录，做与良率的时序相关分析。
• 假设H3：设备保养状态影响封口不良数，进而影响良率。验证方式：对比保养前后批次的包装封口不良率，并检查保养记录与良率回升的时间对应关系。

六、把分析结论落成一张可复用的探查清单

为了让这套分析在后续批次上可重复执行，可整理成如下探查清单，每次新数据到位后按序过一遍：

完成这一步，探索性分析的产出就不是几张图，而是一组有证据支撑、有验证路径的问题假设。它们将直接决定后续特征工程的取舍：例如H1成立，则"晚班温度低于下限的时长占比"就应成为建模的重点特征；H2成立，则需引入环境温湿度作为外部变量。探索性分析做得扎实，预测模型才不会在错误的方向上越走越远。