관측 데이터를 분석할 때 데이터가 어떻게 변하는지에 초점을 맞춰야 한다.
그러나 이 초점은 히스토그램의 모양과 관련이 없다.
데이터를 예측 가능하거나 예측할 수 없는 것으로 특성화하기 위해
시간이 지남에 따라 데이터가 어떻게 변하는지 조사한다.

이 두 가지 광범위한 범주는 데이터를 사용하는 방법을 알려주기에 충분하다.
예측 가능한 프로세스로 예측이 가능하다.
예측할 수 없는 프로세스가 있는 경우 예측은 무의미하지만
프로세스를 최대한 활용하기 위한 조치를 취할 수 있다.

프로세스 행동 차트의 ​​일반적인 3시그마 한계는 예측 가능하고
경제적인 행동의 광범위한 모델을 정의한다.
할당 가능한 원인이 있으면 프로세스가 중단되고 데이터가
이러한 제한을 벗어나게 된다.

할당 가능한 원인은 히스토그램에 다양한 방식으로 영향을 줄 수 있으므로
히스토그램을 보고 관측 데이터 분석을 시작하는 것은 항상 실수이다.
프로세스가 예측 가능하게 작동하는지 또는 예측 불가능하게 작동하는지
알기 전까지는 히스토그램을 해석하는 방법을 모른다.

따라서 관측 데이터 분석의 첫 번째 질문은 예측 가능성의 문제이다.
프로세스가 예측 가능하게 작동되면 데이터는 균질하고
히스토그램은 일상적인 변동으로 알려진 높은 엔트로피 조건으로 인해
정규 분포를 따르는 경향이 있다.

프로세스가 예측할 수 없이 작동되면 데이터가 균질하지 않고
히스토그램이 다양한 조건의 스매시업이 되어 모든 종류의
다른 모양이 생성된다.
따라서 관찰 데이터를 사용하면 불규칙하거나 왜곡된 히스토그램이
다른 어떤 것보다 순회 과정을 수행하는 할당 가능한 원인의
결과일 가능성이 더 크다.

이것이 데이터를 "사전 검증"할 필요가 없는 이유이다.
데이터에 확률 모델을 맞출 필요가 없다.
데이터를 정규 확률도에 배치해서는 안된다.
그리고 데이터를 "보다 정상적"으로 만들기 위해 데이터를
변환할 필요도 없다.
이러한 모든 사전 심사 활동은 프로세스가 이미 예측 가능하게
운영되고 있다고 가정 한다.
할당 가능한 원인은 이러한 가정을 완전히 훼손하여 이러한 활동을
무의미하게 만든다.

따라서 히스토그램이 어떻게 생겼는지에 관계없이 데이터를
적절한 프로세스 동작 차트에 놓고 프로세스 동작을 예측 가능하거나
예측할 수 없는 것으로 특성화하자.
데이터를 사용하여 예측 가능한 프로세스를 예측하고 차트를 사용하여
예측할 수 없는 프로세스를 둘러보는 할당 가능한 원인을 찾는다.

공정을 경제적으로 운영하는 방법을 배우면 품질, 생산성 및 경쟁력을
향상시킬 수 있다.

도널드 J. 휠러 들