Causal Modeling in Manufacturing: Analysis and Applications

Los procesos de fabricación desempeñan un papel fundamental en la producción de bienes y servicios, y su eficiencia y efectividad pueden tener un impacto significativo en el éxito empresarial. Tradicionalmente, los proyectos de fabricación que tenían como objetivo mejorar los procesos de producción utilizando datos se han basado en métodos estadísticos para identificar correlaciones y patrones en los datos. Sin embargo, las limitaciones de la inferencia estadística, especialmente cuando se trata de identificar relaciones causales, se han vuelto cada vez más evidentes en los últimos años.

La inferencia causal puede proporcionar un marco más riguroso para comprender los mecanismos subyacentes que impulsan los procesos de fabricación. Al tener en cuenta las variables de confusión e identificar el efecto causal de las intervenciones, la inferencia causal puede ayudar a las organizaciones de fabricación a tomar decisiones más informadas y mejorar sus operaciones.

Esta tesis comenzará proporcionando una visión general de la inferencia causal y una explicación de los diferentes enfoques actuales y las limitaciones que existen en este campo. Después de explicar los fundamentos, la tesis explicará las relaciones y sinergias de aplicar la inferencia causal en la fabricación. Se explicará una metodología de alto nivel para aplicar técnicas causales en la fabricación. Luego, la tesis presentará un estudio de caso que ilustra la aplicación de métodos de inferencia causal en un proyecto de fabricación del mundo real y evaluará la efectividad de estos métodos en la mejora de la eficiencia del proceso y la calidad del producto.

Manufacturing processes play a critical role in the production of goods and services, and their efficiency and effectiveness can have a significant impact on business success. Traditionally, manufacturing projects that had the aim of improving production processes using data have relied on statistical methods to identify correlations and patterns in data. However, the limitations of statistical inference, particularly when it comes to identifying causal relationships, have become increasingly apparent in recent years.
Causal inference can provide a more rigorous framework for understanding the underlying mechanisms that drive manufacturing processes. By accounting for confounding variables and identifying the causal effect of interventions, causal inference can help manufacturing organizations make more informed decisions and improve their operations.
This thesis will begin by providing an overview of causal inference and an explanation of the different current approaches and limitations there are in this field. After explaining the foundations, the thesis will explain the relationships and synergies of applying causal inference in manufacturing. A high-level methodology for applying causal techniques in manufacturing will be explained. The thesis will then present a case study that illustrates the application of causal inference methods to a real-world manufacturing project and will evaluate the effectiveness of these methods in improving process efficiency and product quality.