分析异常：使用缺陷评估的单比例检验 Analyzing Anomalies: Using a 1-Proportion Test for Defect Evaluation Chinese
Discover how performing a 1-Proportion Test using Minitab Statistical Software can help supply chain managers analyze defective parts from suppliers.
通过实现可视化取得成功：利用 Minitab 的图形功能来优化库存 Visualizing Success: Leveraging Minitab's Graphical Capabilities for Inventory Optimization
Discover how Minitab's graphical tools can provide valuable insights into inventory patterns, leading to more efficient and effective supply chain.
预测分析在保险行业的兴起 | The Rise of Predictive Analytics in Insurance
Explore Minitab's robust predictive analytics tools that make it faster and easier to get the insights you need from your data in the insurance industry.
在制造业实现高效节能的 3 种数据驱动型策略 | 3 Data-Driven Strategies for Efficient Energy Conservation in Manufacturing (Chinese)
Explore 3 main strategies to help you reach efficient energy conservation and Minitab solutions that help you achieve sustainability success. 探索 3 种有助于实现高效节能的主要策略，以及多种有助于成功实现可持续发展的 Minitab 解决方案。
半导体制造商提高质量和产量的 4 个步骤 | 4 Steps for Semiconductor Manufacturers To Improve Quality and Output
See how four simple steps can improve semiconductor quality and output.
预测性 SPC 在石油和天然气行业中的作用 | The Power of Predictive SPC in the Oil and Gas Industry
详细了解预测性 SPC 并了解如何为您的组织节省时间和金钱。
您是否需要提高自身的数据素养？看看您是否能够回答这 5 个问题 | Do You Need to Improve Your Data Literacy? See If You Can Answer These 5 Questions
您有没有遇到过这样的情况？在一场会议上，有人拿出的数据分析结果您不能完全理解，但您并未就此提出问题，因为在场的其他人似乎都能明白。如果您的回答是“遇到过”，那么您可能要考虑花一点时间来提高您的数据素养了。
利用指数加权移动平均值 (EWMA) 控制图检测过程均值中较小的偏移 | Detect Small Shifts in the Process Mean with Exponentially Weighted Moving Average (EWMA) Charts
控制图是专业时间序列图，可协助您确定过程是否受统计控制。尽管 Xbar-R 和单值控制图等几个使用最广泛的控制图能够出色地检测出过程中较大的偏移（1.5+ 西格玛偏移），但对于较小的偏移，您可能需要不一样的功能。我们看下指数加权移动平均值 (EWMA) 控制图。
太多还是不足：样本数量和统计分析 | Too Much or Not Enough: Sample Sizes and Statistical Analysis
进行统计分析最实际的理由是，只收集一小部分数据，而不是整个总体。灵活收集采样数据可节省时间和资金，但灵活性的代价是决策出现错误。
使用 Minitab 回归进行预测分析 – 第二部分 | Predictive Analytics using Minitab's Regression – Part II
回归的目的是进行准确预测。模型中的项（线性、交互、二次）和用于计算模型的样本数据是影响模型可预测性的两大因素。项过多的模型通常会过度拟合样本数据，但会导致对新数据值的预测不佳。