Oltre 25 prompt AI per Lean 6 Sigma

I seguenti 30 prompt sono concepiti come strumenti pratici per i Cinture Gialle, Verdi e Nere per accelerare l'esecuzione dei progetti direttamente in fabbrica. Forniscono input strutturati per eseguire attività Lean e Six Sigma specifiche e di alto valore, come la generazione di una mappa completa del flusso di valore a partire da dati di produzione grezzi, l'esecuzione di un'analisi delle cause profonde su un set di dati di difetti complesso o la stesura di un piano dettagliato. Analisi FMEA per un nuovo processo. L'obiettivo è quello di bypassare gli aspetti manuali e dispendiosi in termini di tempo della compilazione e della rendicontazione dei dati, consentendo ai professionisti di concentrarsi immediatamente sull'interpretazione dei risultati, sulle decisioni e sull'implementazione di miglioramenti per ridurre gli sprechi e le variazioni di processo.

The scope of these prompts spans the critical functions of modern produzione and operational excellence: in-depth Process Analysis and Optimization by generating Value Stream Maps and Failure Mode and Effects Analyses, and delve into Data Analysis and Controllo statistico di processo (SPC) to interpret control charts and recommend Designs of Experiments. For financial oversight, prompts are tailored for Cost Reduction and Financial Impact, such as calculating the Cost of Poor Quality. To streamline initiatives, a suite of prompts aids in Project Management and Reporting by creating project charters and A3 reports, while Advanced Analytics and Predictive Solutions offer capabilities like maintenance schedule optimization and demand forecasting. Finally, prompts focused on Continuous Improvement and Innovation facilitate everything from generating Poka-Yoke ideas to structuring Hoshin Kanri strategic plans.

A complemento di questi suggerimenti, è probabile che siate interessati anche a AI manifatturiera strumenti:

Vedi ancheOltre 25 migliori prompt di intelligenza artificiale per ingegneri e manager di produzione

►

Analisi e ottimizzazione dei processi

[prompt_formatter title=”Generatore automatico di Value Stream Mapping (VSM)” description=”Analizza i dati del processo in formato CSV per generare un VSM in formato Mermaid, identificando i colli di bottiglia e le aree da migliorare. Questo prompt evidenzia le attività non a valore aggiunto e calcola l'efficienza del processo e il lead time in base ai dati forniti.” temperature=”0.3″ thinking=”high”]**CONTEXT**⸻Sei un AI che assiste un esperto di livello Lean 6 Sigma (Cintura nera) nel settore manifatturiero. Il vostro compito è analizzare i dati di processo forniti in formato CSV per generare una Value Stream Map (VSM) in formato Mermaid. La VSM deve identificare i colli di bottiglia, evidenziare le attività non a valore aggiunto e calcolare l'efficienza del processo e il lead time.⸻⸻**INPUTS**⸻1. Dati di processo in formato CSV: “{process_data_csv}”⸻2. Metriche di prestazione chiave su cui concentrarsi (ad esempio, tempo di ciclo, tempo di attesa): “{metriche_chiave}”⸻⸻**INSTRUZIONI**⸻1. Analizzare i dati CSV forniti per estrarre le fasi del processo e le metriche pertinenti.⸻2. Identificare ed elencare tutte le fasi del processo, annotando la sequenza e le dipendenze.⸻3. Per ogni fase del processo, calcolare quanto segue:⸻ - Tempo di ciclo⸻ - Tempo di attesa⸻ - Tempo a valore aggiunto⸻ - Tempo non a valore aggiunto⸻4. Identificare i colli di bottiglia confrontando i tempi di ciclo e i tempi di attesa tra le varie fasi del processo. Evidenziare le attività non a valore aggiunto e calcolare l'efficienza complessiva del processo utilizzando la formula:⸻ - Efficienza del processo = (Tempo totale a valore aggiunto / Tempo totale di esecuzione) * 100‗6. Generare una mappa del flusso del valore in formato Mermaid, che includa:⸻ - Fasi del processo con tempi calcolati⸻ - Colli di bottiglia e attività non a valore aggiunto⸻ - Efficienza del processo e lead time⸻⸻**OUTPUT FORMAT**⸻ Fornire l'output nel seguente formato:⸻“`mermaid⸻$mermaid_diagram“`⸻Includere un riepilogo dei colli di bottiglia identificati e delle aree di miglioramento:⸻“`⸻$summary⸻[/prompt_formatter]

[prompt_formatter title=”Simulazione dinamica del processo per l'analisi dei colli di bottiglia” description=”Crea un modello di simulazione a eventi discreti di un processo di produzione basato su fasi, risorse e tempi di lavorazione definiti dall'utente. Esegue quindi iterazioni multiple per prevedere la produttività, l'utilizzo delle risorse e i potenziali colli di bottiglia in varie condizioni.” temperature=”0.7″ thinking=”high”]**TASK OVERVIEW**⸻Crea un modello di simulazione a eventi discreti per analizzare un processo di produzione alla ricerca di colli di bottiglia. Utilizzate fasi, risorse e tempi di lavorazione definiti dall'utente per prevedere il rendimento, l'utilizzo delle risorse e i potenziali colli di bottiglia.⸻⸻**INPUTS**⸻1. Fasi del processo: Fornire una stringa CSV delle fasi del processo in sequenza, ad esempio “{step1,step2,step3}”.⸻2. Risorse: Fornire una stringa CSV di risorse disponibili per ogni fase, ad esempio “{risorsa1,risorsa2,risorsa3}”.⸻3. Tempi di elaborazione: Fornire una stringa CSV dei tempi di elaborazione per ogni fase in minuti, ad esempio “{time1,time2,time3}”. Analizzare gli input dell'utente per creare un elenco strutturato di fasi del processo, risorse e tempi di elaborazione.⸻2. Sviluppare un modello di simulazione a eventi discreti utilizzando gli input forniti. Eseguire più iterazioni della simulazione per valutare diversi scenari.⸻4. Calcolare e produrre i seguenti risultati:⸻⸻ a. Throughput: Determinare il numero medio di unità elaborate per unità di tempo.⸻ b. Utilizzo delle risorse: Calcolare la percentuale di tempo in cui ogni risorsa viene utilizzata attivamente.⸻ c. Identificazione dei colli di bottiglia: Identificare le fasi in cui si verificano più frequentemente ritardi e le risorse sono sovrautilizzate.⸻⸻**OUTPUT FORMAT**⸻ Fornire i risultati nel seguente formato:⸻⸻- **Throughput:** $roughput_value units/time⸻- **Resource Utilization:**⸻ - Risorsa 1: $utilizzo1%⸻ - Risorsa 2: $utilizzo2%⸻ - Risorsa 3: $utilizzo3%⸻- **Analisi del collo di bottiglia:**⸻ - Fase 1: $bottleneck1⸻ - Fase 2: $bottleneck2⸻ - Fase 3: $bottleneck3⸻⸻Assicurare la chiarezza e la precisione dell'output per facilitare il processo decisionale nel miglioramento del processo produttivo.[/prompt_formatter]

[prompt_formatter title=”Root Cause Analysis with Causal AI” description=”Analizza un set di dati di parametri di processo e risultati di qualità per identificare le cause principali più probabili dei difetti. Questo prompt va oltre la correlazione per suggerire relazioni causali, aiutando a focalizzare gli sforzi di miglioramento.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Siete un ingegnere Lean 6 Sigma (Black Belt) di livello esperto incaricato di identificare le cause principali dei difetti in un processo di produzione. Disponete di un set di dati contenente parametri di processo e risultati di qualità. Il vostro obiettivo è determinare le relazioni causali, non solo le correlazioni, per concentrare efficacemente gli sforzi di miglioramento.⸻⸻**INPUTS**⸻1. Dataset di parametri di processo e risultati di qualità in formato CSV: “{process_data_csv}”⸻2. Elenco dei difetti noti su cui concentrarsi: “{elenco_difetti}”⸻‛**ISTRUZIONI**⸻1. Caricare il set di dati da “{process_data_csv}”.⸻2. Analizzare il set di dati per identificare tutti i parametri di processo e i risultati della qualità.⸻3. Per ogni difetto in “{defect_list}”, eseguire quanto segue:⸻‛ a. Identificare le potenziali relazioni causali tra i parametri del processo e il difetto specifico utilizzando tecniche di inferenza causale.⸻ b. Classificare queste relazioni in base alla loro probabilità di causalità.⸻ c. Fornire una breve spiegazione delle relazioni causali. metodo utilizzati per determinare la causalità di ciascuna relazione.⸻⸻4. Riassumere i risultati in un formato strutturato, evidenziando le cause principali più probabili per ciascun difetto.⸻⸻**OUTPUT FORMAT**⸻ Fornire i risultati nel seguente formato:⸻⸻- Difetto: $nome_difetto⸻ - Cause principali più probabili:⸻ 1. Parametro del processo: $nome_parametro⸻ - Causalità più probabili Parametro di processo: $nome_parametro⸻ - Probabilità di causalità: $likelihood_score⸻ - Spiegazione: $causalità_spiegazione⸻ 2. Parametro di processo: $parameter_name⸻ - Probabilità di causalità: $likelihood_score⸻ - Spiegazione: $causality_explanation⸻⸻ Ripetere per ogni difetto in “{defect_list}”.⸻⸻**NOTE**⸻Assicurarsi che l'analisi vada oltre la mera correlazione e si concentri sull'identificazione di relazioni causali per guidare miglioramenti efficaci del processo.[/prompt_formatter]

[prompt_formatter title=”AI-Powered Failure Mode and Effects Analysis (FMEA) Generator” description=”Genera una tabella FMEA preliminare basata su una descrizione del processo e sui dati storici dei guasti. Identifica i potenziali modi di guasto, i loro effetti e suggerisce le classificazioni iniziali di gravità, occorrenza e rilevamento.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Sei un'intelligenza artificiale che assiste ingegneri Lean 6 Sigma (Black Belt) di livello esperto nel settore manifatturiero. Il vostro compito è quello di generare una tabella preliminare di analisi dei modi e degli effetti dei guasti (FMEA).⸻**INPUTS**⸻1. Descrizione del processo: {descrizione_processo}⸻2. Dati storici sui guasti (formato CSV): {historical_failure_data}⸻⸻**INSTRUCTIONS**⸻1. Analizzare la {descrizione del processo} fornita per comprendere le fasi e i componenti chiave coinvolti.⸻2. Esaminare i {dati_storici_di_fallimento} per identificare le modalità di guasto più comuni, le loro cause e i loro effetti.⸻3. Per ogni modalità di guasto identificata, eseguire quanto segue:⸻⸻ a. Elencare la modalità di guasto potenziale.⸻ b. Descrivere gli effetti potenziali della modalità di guasto sul processo.⸻ c. Suggerire le classificazioni iniziali di gravità, occorrenza e rilevamento in base ai dati storici e al settore. standard.⸻⸻4. Compilare le informazioni in una tabella FMEA strutturata con le seguenti colonne:⸻ - Modalità di guasto⸻ - Effetti potenziali⸻ - Valutazione della gravità⸻ - Valutazione dell'occorrenza⸻ - Valutazione del rilevamento⸻⸻**Formato di output**⸻ Fornire la tabella FMEA in formato CSV. Ogni riga deve rappresentare un'unica modalità di guasto con i relativi dettagli.⸻[/prompt_formatter]

[prompt_formatter title=”Generatore di idee e prioritizzatore di eventi Kaizen” description=”Utilizza una dichiarazione del problema e i dati del processo come input per creare un elenco di potenziali idee e priorità. Kaizen idee per gli eventi. Quindi assegna un ordine di priorità a queste idee in base all'impatto stimato, all'impegno e all'allineamento con gli obiettivi aziendali.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Sei un'IA che assiste ingegneri Lean 6 Sigma (Black Belt) di livello esperto nel miglioramento della produzione. Il tuo compito è quello di generare e dare priorità alle idee per gli eventi Kaizen sulla base di una dichiarazione del problema e dei dati del processo.⸻⸻**INPUTS**⸻1. Dichiarazione del problema: “{problem_statement}”⸻2. Dati del processo (formato CSV): “{process_data_csv}”⸻3. Obiettivi aziendali (formato CSV): “{business_objectives_csv}”⸻⸻**Compiti**⸻1. Analizzare la dichiarazione del problema e i dati di processo forniti per identificare le aree chiave per il miglioramento.⸻2. Generare un elenco di potenziali idee per eventi Kaizen che affrontino le aree identificate.⸻3. Per ogni idea, stimare l'impatto potenziale, l'impegno richiesto e l'allineamento con gli obiettivi aziendali forniti.⸻4. Dare priorità alle idee in base a un sistema di punteggio ponderato che tenga conto dell'impatto, dell'impegno e dell'allineamento.⸻⸻**Formato dell'output**⸻ Fornire l'output in una tabella markdown con le seguenti colonne:⸻- Idea di evento Kaizen⸻- Impatto stimato (alto/medio/basso)⸻- Sforzo richiesto (alto/medio/basso)⸻- Allineamento con gli obiettivi aziendali (alto/medio/basso)⸻- Punteggio di priorità (valore numerico)⸻- Punteggio di priorità (valore numerico). Punteggio di priorità (valore numerico)⸻⸻**ISTRUZIONI**⸻- Utilizzare la dichiarazione del problema per focalizzare il processo di brainstorming.⸻- Analizzate i dati del processo per scoprire inefficienze o colli di bottiglia.‛- Considerate gli obiettivi aziendali per garantire l'allineamento con gli obiettivi strategici.‛- Utilizzate un metodo coerente per stimare l'impatto, l'impegno e l'allineamento.‛- Calcolate il punteggio di priorità utilizzando una formula: Punteggio di priorità = (Peso dell'impatto * Impatto) + (Peso dello sforzo * (1 - sforzo)) + (Peso dell'allineamento * Allineamento), dove i pesi sono predefiniti come necessario.⸻- Presentare le idee in ordine decrescente di punteggio di priorità.[/prompt_formatter]

Analisi dei dati e controllo statistico dei processi (SPC)

[prompt_formatter title=”Intelligent Control Chart Pattern Recognition” description=”Analizza i dati delle serie temporali di un processo e identifica automaticamente gli schemi non casuali nei grafici di controllo (ad esempio, spostamenti, tendenze, cicli). Fornisce un'interpretazione statistica di questi schemi, suggerendo potenziali cause speciali di variazione.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Sei un ingegnere Lean 6 Sigma (Black Belt) di livello esperto che lavora al miglioramento della produzione. Il tuo compito è analizzare i dati delle serie temporali di un processo per identificare modelli non casuali nelle carte di controllo e fornire interpretazioni statistiche e potenziali cause speciali di variazione.⸻⸻**INPUTS**⸻1. Dati delle serie temporali in formato CSV: “{time_series_data}”⸻2. Tipo di grafico di controllo (ad esempio, X-bar, R, S): “{tipo_di_grafo_di_controllo}”⸻‛**INSTRUZIONI**⸻1. Caricare i dati delle serie temporali forniti “{time_series_data}” e identificare il tipo di grafico di controllo “{control_chart_type}”.⸻2. Analizzare i dati per individuare schemi non casuali come spostamenti, tendenze e cicli.⸻3. Per ogni schema individuato, fornire un'interpretazione statistica e suggerire potenziali cause speciali di variazione.⸻4. Riassumere i risultati in un formato strutturato.⸻⸻**OUTPUT FORMAT**⸻ Fornire l'analisi nel seguente formato:⸻⸻- **Detected Patterns**:⸻ - Pattern Type: $pattern_type⸻ - Descrizione: $pattern_description⸻ - Interpretazione statistica: $statistical_interpretation⸻ - Cause speciali suggerite: $special_causes⸻⸻ Ripetere la struttura di cui sopra per ogni modello identificato.⸻⸻**Note aggiuntive**⸻Assicurarsi che l'analisi sia concisa e focalizzata a fornire spunti di miglioramento del processo.[/prompt_formatter]

[prompt_formatter title=”Predictive Quality Control Modeler” description=”Sviluppa un modello predittivo basato sui dati storici del processo per prevedere la qualità del prodotto in tempo reale.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Sei un'IA che assiste ingegneri Lean 6 Sigma (Black Belt) di livello esperto nel settore manifatturiero. Il tuo compito è sviluppare un modello predittivo utilizzando i dati storici del processo per prevedere la qualità del prodotto in tempo reale. Questo modello consentirà di apportare modifiche proattive ai parametri di processo per prevenire i difetti.⸻⸻**INPUTS**⸻1. Dati storici del processo in formato CSV: “{historical_process_data_csv}”⸻2. Elenco dei parametri chiave del processo da monitorare: “{parametri_chiave_del_processo}”⸻3. Periodo di previsione desiderato (ad esempio, in tempo reale, ogni ora, ogni giorno): “{prediction_time_frame}”⸻⸻**INSTRUCTIONS**⸻1. **Preelaborazione dei dati**:⸻- Caricare i dati storici del processo da “{historical_process_data_csv}”.⸻- Pulire i dati gestendo i valori mancanti e gli outlier.⸻- Normalizzare o standardizzare i dati se necessario.⸻⸻2. **Selezione delle caratteristiche**:⸻- Identificare ed estrarre le caratteristiche relative a “{parametri_chiave_del_processo}”.⸻- Determinare le caratteristiche più significative che hanno un impatto sulla qualità del prodotto utilizzando metodi statistici o tecniche di apprendimento automatico.⸻⸻3. **Sviluppo del modello**:⸻- Selezionare gli algoritmi di apprendimento automatico appropriati per la previsione delle serie temporali.⸻- Addestrare il modello utilizzando i dati pre-elaborati e le caratteristiche selezionate.⸻- Convalidare il modello utilizzando tecniche di convalida incrociata per garantire l'accuratezza e l'affidabilità.⸻⸻4. **Configurazione della previsione in tempo reale**:⸻- Configurare il modello per fare previsioni basate sul “{prediction_time_frame}”.⸻- Implementare un sistema per aggiornare continuamente il modello con nuovi dati.⸻- Impostare avvisi o notifiche per deviazioni significative nella qualità prevista.⸻⸻5. **Output**:⸻- Fornire un riepilogo delle metriche di prestazione del modello (ad es, Accuratezza, precisione, richiamo).⸻- Generare un cruscotto di previsione in tempo reale in formato HTML per visualizzare le previsioni di qualità del prodotto e le tendenze dei parametri di processo.⸻- Includere raccomandazioni per aggiustamenti proattivi del processo in base ai risultati della previsione.⸻⸻**OUTPUT FORMAT**⸻- Riepilogo delle metriche di prestazione: $performance_summary⸻- Cruscotto di previsione in tempo reale (HTML): $prediction_dashboard_html⸻- Raccomandazioni per la regolazione del processo: $process_adjustments_recommendations[/prompt_formatter]

[prompt_formatter title=”Design of Experiments (DOE) Recommender” description=”Raccomanda una strategia di Design of Experiments appropriata in base all'obiettivo del progetto dell'utente, al numero di fattori e ai vincoli e genera il foglio di esecuzione sperimentale in formato CSV.” temperature=”0. 7″ thinking=”medium”]**CONTEXT**⸻Sei un'intelligenza artificiale che assiste gli ingegneri Lean 6 Sigma (Black Belt) di livello esperto nella scelta del Design of Experiments appropriato.7″ thinking=“medium”]**CONTEXT**⸻Sei un'IA che assiste gli ingegneri Lean 6 Sigma (Black Belt) di livello esperto nella selezione di un'adeguata strategia di Design of Experiments (DOE) per il miglioramento della produzione.⸻L'obiettivo è raccomandare una strategia DOE e generare un foglio di esecuzione sperimentale in base all'obiettivo del progetto dell'utente, al numero di fattori e ai vincoli.⸻⸻**INPUTS**⸻1. Obiettivo del progetto: “{project_goal}”⸻2. Numero di fattori: “{numero_di_fattori}”⸻3. Vincoli (ad esempio, budget, tempo, risorse): "{constraints}"⸻‛**TASKS**⸻1. Analizzare l'obiettivo del progetto per determinare il tipo di variabile di risposta e il risultato desiderato.⸻2. Valutare il numero di fattori e di vincoli per identificare le strategie di DOE fattibili.⸻3. Raccomandare la strategia DOE più adatta (ad esempio, fattoriale completa, fattoriale frazionata, superficie di risposta) in base all'analisi. Generare un foglio di esecuzione sperimentale in formato CSV per la strategia DOE raccomandata.⸻⸻**Formato di output**⸻1. Strategia DOE raccomandata: $doe_strategy⸻2. Giustificazione della strategia raccomandata: $justification⸻3. Foglio di esecuzione sperimentale (formato CSV):⸻$csv_runsheet⸻⸻**ISTRUZIONI PER L'AI**⸻- Utilizzare l'obiettivo del progetto per comprendere la natura dell'esperimento e le variabili critiche di risposta.⸻- Considerare il numero di fattori e vincoli per determinare la complessità e la fattibilità di diverse strategie DOE.⸻- Fornire una raccomandazione chiara con una giustificazione per la strategia DOE scelta.⸻- Creare un foglio di esecuzione sperimentale dettagliato in formato CSV che si allinei alla strategia DOE raccomandata.⸻- Assicurarsi che l'output sia strutturato e formattato come specificato.[/prompt_formatter]

[prompt_formatter title=”Measurement System Analysis (MSA) Interpretation Assistant” description=”Analizza i dati dello studio Gage R&R forniti in formato CSV e genera un rapporto completo. Il rapporto interpreta i risultati, evidenzia i potenziali problemi del sistema di misura e suggerisce azioni correttive.” temperature=”0.3″ thinking=”medium”]**CONTEXT**⸻Siete un'azienda che si occupa di analisi del sistema di misura. Assistente AI con il compito di analizzare uno studio Gage R&R per valutare l'affidabilità e l'accuratezza del sistema di misura. L'utente fornirà i dati dello studio Gage R&R in formato CSV. Il vostro obiettivo è quello di interpretare questi dati, identificare eventuali problemi e suggerire azioni correttive.⸻⸻**INPUT**⸻1. Dati CSV dello studio Gage R&R: “{gage_rr_csv_data}”⸻⸻**TASKS**⸻1. Analizzare i dati CSV forniti per estrarre le informazioni rilevanti, quali parti, operatori, prove e misure. Calcolare le seguenti metriche:⸻ - R&R totale del calibro come percentuale della variazione totale⸻ - Componenti di ripetibilità e riproducibilità⸻ - Variazione da pezzo a pezzo⸻3. Interpretare le metriche calcolate per valutare l'adeguatezza del sistema di misura.⸻ - Determinare se la percentuale di R&R totale del calibro è accettabile (in genere meno di 10% è considerata eccellente, 10%-30% può essere accettabile a seconda dell'applicazione e oltre 30% è generalmente inaccettabile).⸻ - Analizzare la ripetibilità e la riproducibilità per identificare le fonti di variazione dominanti.⸻4. Evidenziare i potenziali problemi del sistema di misura sulla base dell'analisi. Suggerire azioni correttive per migliorare il sistema di misura, se necessario.⸻⸻**OUTPUT FORMAT**⸻Fornire un rapporto completo in formato markdown che includa:⸻- Sintesi dei risultati dello studio di R&R del calibro⸻- Interpretazione dei risultati con particolare attenzione al R&R totale del calibro, alla ripetibilità, alla riproducibilità, e variazione da parte a parte⸻- Identificazione di potenziali problemi⸻- Azioni correttive suggerite⸻- Eventuali approfondimenti o raccomandazioni aggiuntive⸻⸻**NOTE**⸻Assicurare chiarezza e precisione nel report per aiutare gli ingegneri Lean 6 Sigma di livello esperto nel processo decisionale. Utilizzate elementi di markdown come titoli, punti elenco e tabelle per una migliore leggibilità[/prompt_formatter].

[prompt_formatter title=”Suggeritore di analisi e miglioramento delle capacità di processo” description=”Calcola capacità di processo indici (Cp, Cpk) dai dati di produzione e li confronta con gli obiettivi. Sulla base dell'analisi, suggerisce aree specifiche di miglioramento del processo per aumentare la capacità.” temperature=”0.5″ thinking=”medium”]**CONTEXT:**⸻Sei un'intelligenza artificiale che assiste ingegneri Lean 6 Sigma (Black Belt) di livello esperto nella produzione. Il tuo compito è analizzare i dati di produzione per calcolare gli indici di capacità del processo (Cp, Cpk) e suggerire miglioramenti.⸻⸻**INPUTS:**⸻1. Dati di produzione in formato CSV: “{production_data_csv}”⸻2. Valori Cp e Cpk target: “{target_cp}” e “{target_cpk}”⸻⸻**ISTRUZIONI:**⸻1. Analizzare i dati di produzione forniti dalla stringa CSV “{production_data_csv}”.⸻2. Calcolare gli indici di capacità di processo Cp e Cpk utilizzando i dati analizzati. Confrontare i valori Cp e Cpk calcolati con i valori target “{target_cp}” e “{target_cpk}”.⸻4. Identificare le aree specifiche in cui la capacità del processo è inferiore all'obiettivo. Suggerire miglioramenti mirati del processo per migliorare la capacità nelle aree identificate.⸻⸻**OUTPUT FORMAT:**⸻ Fornire quanto segue in formato markdown:⸻- **Indici calcolati:** Visualizzare i valori Cp e Cpk calcolati.⸻- **Riepilogo del confronto:** Riassume il confronto tra i valori calcolati e gli obiettivi.⸻- Suggerimenti di miglioramento:** Elencare le aree di miglioramento specifiche e suggerire le azioni da intraprendere per migliorare la capacità del processo.⸻⸻**EXAMPLE OUTPUT:**⸻“`markdown⸻**Indici calcolati:**⸻- Cp: $calculated_cp⸻- Cpk: $calculated_cpk⸻⸻**Riepilogo del confronto:**⸻- Il Cp calcolato è $comparison_cp rispetto all'obiettivo di {target_cp}.⸻- Il Cpk calcolato è $comparison_cpk rispetto all'obiettivo di {target_cpk}.⸻⸻**Suggerimenti per il miglioramento:**⸻1. Area: $area1⸻ - Suggerimento: $suggerimento1⸻2. Area: $area2⸻ - Suggerimento: $suggestion2⸻“`[/prompt_formatter]