光伏企业的质量改善利器：交互式可视化数据分析

就可以一步步地按照“组内差异最小化，组间差异最大化”的原则将数据进行分组，从而发现很多有价值的信息：

1. 因为在分组的过程中，“决策树”从众多候选变量中选用到了“硅片厂家”、“日期”、“硅片批次”和“班次”四个变量，因此可以判断它们是影响缺陷率产生的关键因素。

2. 如果关注“硅片厂家”这个因素的话，不难发现“甲”、“丁”这两家厂的质量问题不大，而另两家厂“乙”、“丙”的质量问题相对比较严重。这是因为从“决策树”左侧的图形看，代表良品率高的绿色面积很大，它对应的分类水平就是“硅片厂家（甲、丁）”；反之，从“决策树”右侧的图形看，代表良品率低的红色面积很大，它对应的分类水平就是“硅片厂家（乙、丙）”。

3.结合“日期”因素来看的话，11月1日的情况很糟糕，乙、丙两个硅片厂家所有班次的良品率全部未达标；而11月2日和7日这两天同样出现严重问题，丙厂B班所有的生产批次全部未达标，这些都值得我们去做深入的现场调查。

决策树分析

其实，在实际工作中，太阳能电池企业的技术人员们还可以使用更多其他交互式、可视化的数据分析方法来挖掘深层的技术原因，优化改进方案，限于篇幅，就不再做更深入的介绍了。不过可以肯定的是：如何快速实现质量管理和成本控制的双重提升，掌握交互式可视化数据分析将是国内光伏企业都需要考虑的一个重要问题。