在數(shù)據(jù)驅(qū)動的時代，洞察數(shù)據(jù)的深層價值成為了各行各業(yè)的核心需求。廣立微DataExp-General（簡稱DE-G）作為數(shù)據(jù)分析利器，以其簡潔、快速、靈活的特性，通過豐富、便捷的數(shù)據(jù)可視化手段，靈活的數(shù)據(jù)交互功能，助力用戶在繁雜的數(shù)據(jù)中，迅速發(fā)現(xiàn)真正價值。

9月，DE-G 2.0重要更新，解鎖更多統(tǒng)計分析工具，打造應用領(lǐng)域更廣泛的數(shù)據(jù)分析軟件，深度挖掘數(shù)據(jù)價值，用數(shù)據(jù)可視化提升效能。

不止半導體 數(shù)據(jù)探索無邊界

DE-G 2.0新增了多項高級繪圖功能，比如Interval Plot, Sankey Plot, Violin Plot, Gantt Plot, Graphic Table…繪圖組件的引入，大幅提升特殊場景下的數(shù)據(jù)分析與呈現(xiàn)能力，可廣泛用于數(shù)據(jù)量大、過程復雜或者需要數(shù)據(jù)表現(xiàn)力的領(lǐng)域，比如芯片設計、半導體制造、面板、新能源、生物制藥等領(lǐng)域。

更完善的DOE功能 降低試錯成本

DOE功能廣泛應用于制造行業(yè)，對試錯成本高的行業(yè)尤其有用，比如半導體、生物制藥、化工等，可大大降低實驗成本，并幫助快速提升良率實現(xiàn)量產(chǎn)。

實驗設計

• 支持常見的設計，包括Full Factorial Design，F(xiàn)ractional Factorial Design, Plackett-Burman Design，Response Surface Design, Fully Customized Design。

• 支持多種輔助設計，各種區(qū)組設計、并允許添加中心點、軸點、Fold Over等。

DE-G提供完整的設計方案，并提供Alias Matrix和Correlation圖幫助用戶評估當前實驗設計是否合理。

評估優(yōu)化

DE-G DOE 允許用戶對實驗設計進行評估與優(yōu)化，提供模型結(jié)果和統(tǒng)計值幫助用戶評價變量的重要程度，用戶可以剔除一些變量重新進行模型，從而識別真正影響響應的變量，避免過擬合。

同時DOE還允許一鍵最大化意愿，給出最佳實踐點。DOE模塊提供曲面刻畫器、等高線刻畫器、空間刻畫器等各種工具幫助用戶識別最佳實踐點，以及各個工作條件下的Process Window。

助力質(zhì)量管控 預測產(chǎn)品失效趨勢

DE-G 2.0提供一系列工具幫助質(zhì)量管理部門對生產(chǎn)和出口進行管控，包括SPC，AQL/RQL，Gage R&R, Product Failure Analysis等，這些統(tǒng)計工具極大地簡化了質(zhì)量管理人員的工作，并有助于預測產(chǎn)品失效趨勢，提升應對能力，并可有效減少客退，降低產(chǎn)品市場風險。

質(zhì)量管控統(tǒng)計工具

DE-G提供OQC用戶進行質(zhì)量管控的統(tǒng)計工具，幫助用戶評估在不同的質(zhì)量要求下（AQL & RQL），如何經(jīng)濟地抽樣檢測，并提供多組結(jié)果供選擇。

準確的測量對生產(chǎn)質(zhì)量的把控至關(guān)重要，Gage R&R 方法（右圖）可對總體測量誤差、測量儀器重復性引起的誤差及測量者引起的誤差進行估計，它的主要作用在于確保測量的準確性和可靠性，從而為過程改進提供基礎(chǔ)數(shù)據(jù)

DE-G Product Failure Analysis （左圖）可以根據(jù)用戶的歷史失效數(shù)據(jù)、失效的分布和產(chǎn)能，對產(chǎn)品未來的失效進行預測，可以幫助客戶評估產(chǎn)品的風險，并提前部署應對辦法。Time Dependency(右圖）幫助用戶檢測參數(shù)趨勢是否存在時間段依賴性。

各種Stress 失效模型，可以根據(jù)用戶設定的參數(shù)預測器件在正常工作條件下的壽命，支持用戶設定或自動估計模型參數(shù)，在圖上移除異常點等。

統(tǒng)計功能大幅提升

DE-G 2.0還提供眾多其它功能，尤其是統(tǒng)計功能得到了強化。

• 假設檢驗

增加了包括Paired t-test, Proportion test, Fisher’s Exact test, CMH test, Kappa test, Shapiro-Wilk test, Kruskal-Wallis test, Anderson-Darling test, Kolmogorov-Smirnov test等；

• 回歸建模

增加了Partial Least Square Regression (PLSR), Decision Tree, Random Forest, Curve Fitting, KNN等；

• 分類聚類

增加了Decision Tree, Random Forest, KNN, Hierarchical Clustering等。

DE-G 2.0通過強大的統(tǒng)計分析功能、靈活的可視化手段和精準的實驗設計評估，拓寬了數(shù)據(jù)處理的邊界，為企業(yè)的發(fā)展和創(chuàng)新提供了無限可能。

無論是半導體的精密制造，還是生物制藥的復雜研究，或是新能源的創(chuàng)新探索，DE-G 2.0都將提供堅實的支持，讓數(shù)據(jù)的力量在各個領(lǐng)域得到充分的釋放和應用。