工业数据分析常陷入“相关性陷阱”：统计显著的参数关联未必是可干预的工艺杠杆。数据分析实验室近期围绕某电子组件产线开展因果发现方法实验，将PC算法与工艺领域约束结合，从200余个过程变量中识别对良率的直接因果路径。
- 实验基于三个月约460万条时序记录，经数据对齐与稳态切片预处理后构建因果图。初步结果显示，传统相关性筛选出的38个高相关参数中，仅9个在因果图中保留直接效应，其中3个（如预热段温升速率）此前未被重点关注。
- 团队引入反事实估计对候选参数做干预收益排序，与历史两次工艺调整的实际结果比对，排序一致性约80%，显著优于纯相关性排序。
下一步将扩充多批次数据验证因果结构的稳定性，并探索将因果图与产线现有SPC看板集成，辅助工程师确定参数调整优先级。实验室将以小步验证方式持续推进，避免过早下因果结论。
评论