后台跑了模型，例如他会给一个分类的建议，613度是一个良品不良品的划分的区间。这个问题到这就结束了吗？这个图可以看出：实际上无论是良品还是不良品，他们都存在双峰分布，双方分布还恰恰都跟另一个良或不良的主峰是重叠的。

根据上面提到的辛普森悖论的例子，实际上双峰分布，肯定会有第2个因子，在影响这个产品的良率。

例如我们大胆的做一个猜测，原材料的耐热性可能有差异。耐热性好，温度即使高一点，也会得到良品。也有可能是另外一个因子：例如某些测量不准，有偏值，这都是潜在的因子。

这些是当前数据分析里没有体现出来的。

接下来再进一步分解，就可以找到更多的真正影响产品良率的因素。

当我们去看整体的温度分布，就会发现整体的温度分布，实际上落在了一个更大的区间内，它整体上呈现是一个近似正态分布。

而这次实验拿到的数据正好是在它温度偏高的地方。实际上对于工业过程而言，温度过低过高都会引起不良。

基于这样的温度分布，我们又可以去猜测，对称的在低温的区间，假设我们做一组实验温度过低也会产生这样的一个产品不良的现象。

为什么温度分布是这么大的一个范围？

事实上这就有可能是第三、第四、第五个因子所引起的，例如在操作过程中，有些人设置的偏高，有些人设置的偏低；或者传感器的安装存在问题；可能却冷却系统做的不到位。

如果我们单纯的从原始温度数据的分布去看，你看见的就一个正态分布，但当你把背后的因子一个个的挖出来的，你能够更全面的看到这个温度是怎么产生影响。

温度分布有这么广的一个范围，是不是存在着季节性的因素，是否存在环境的因素，人为的因素？这些会作为影响温度的因子的第2级因子，按照故障树的因子分解方法，我们把工业现场一个个影响因素的问题，做一层一层的分解，把最初产品良率的大问题，分解成解决一个小问题，例如：去解决一个产品耐热性的问题；去人为控制温度的稳定性问题，最终你会看到温度分布的这条曲线会变成越来越窄，方差越来越小。

当管控区间不变的情况下，方差越小，过程能力越强，过程能力越强，就意味着良性生产率一定会得到提升。

所以真正解决现场问题的时候，一定要这样抽丝剥茧，注意到数据里面的异常点，才有可能从数据里面，真的把工业问题给挖出来。

作为数据分析，我一开始也不是工艺专家，并不知道对工艺过程影响的这些因子会有哪些？通过把工业现场的问题，背后对应的机理结构化的总结，来配合数据分析的过程，就可以发现一些新的事实。