Se estas maniero certigi la fidindecon de produkto, tiam certigi la antaŭvideblecon de ĝia PCB estas grava parto de la produkto. Fakte PCB nun estas kerna parto de preskaŭ ĉiu elektronika aparato, de telefonoj ĝis komputilaj sistemoj. Fakte, de aŭtomobilo al defendo, de aviado al teknologio, neniu industrio estas ĉiea PCB.

En ĉiuj ĉi tiuj industrioj, produkta fidindeco estas kritika. Ĉu temas pri medicina teknologio aŭ pri aviado, iuj eraroj povas rezulti multekostaj. Simile, en la medicina kampo, fiaskoj de ekipaĵo povas havi seriozajn konsekvencojn, rezultigante morton.

Tio postulas, ke la tradicia metodo de antaŭvidebleco estas refandado. Tradiciaj antaŭvideblaj metodoj kutime baziĝas sur fizikaj kontroloj. Tamen inspektadoj havas la enecan malavantaĝon nur kontroli eksterajn difektojn. Krome, alia problemo alfrontita de fizika inspektado estas, ke mikrosklado kaj inspektado fariĝas loĝistika koŝmaro kiam PCBS estas kompleksaj kaj havas multajn tra-truojn. Se nur kelkaj truoj estas kontrolitaj, la procezo povas esti senrezulta. Pro alta produkta diverseco, tradiciaj statistikaj iloj estas nesufiĉaj por identigi difektojn

Alia grava malavantaĝo de la inspekta procezo estas, ke ĝi povas okazi post kiam la fabrikada procezo finiĝis. Unue, la procezo estas multekosta. Due, la difekto povas esti alimaniere interrilata, do aliaj aroj ankaŭ povas esti trafitaj.

Por PCBS kun alta komplekseco kaj produkta diverseco, la antaŭvidebleco de tradiciaj testoj ne povas esti garantiita estas pli grava.

La solvo al ĉi tiu problemo estas uzi ekstreme ampleksan datuman analizon, testan aŭtomatigon kaj ciferecigon. Ĝi estas ampleksaj statistikoj, kiuj kondukas al fidindeco kaj spurebleco. Kun fidinda antaŭdiro de datumoj, oni povas fari ĝustan antaŭdiron. Ĉiu nenormala konduto povas esti alvokita, kaj maltipaj produktoj povas esti forigitaj.

Ĉi tio esence postulas, ke ĉiuj disponeblaj datumoj estu konservitaj en maniero centralizita. Preskaŭ ĉiu maŝino devas esti programita per interfacoj por ŝarĝi ĉiujn datumojn en centralizitan deponejon. Ĉi tio siavice permesas profundan datuman analizon. Ĝi ankaŭ certigas, ke, male al la fizika inspekta procezo, rilata rilato okazas okaze de fiasko. Tamen, eĉ ĉi tie estas defioj, ĉar la datumoj devenas de multaj fontoj kaj estas tradukitaj en multajn datumajn punktojn. Ĉi tiu problemo povas esti superita per formaligo de du-faza formato de prilaborado de datumoj. La unua etapo estas normaligi la datumojn, kaj la dua etapo estas analizi la normaligitajn datumojn. Scienca datuma analizo signifas, ke vi ne devas fidi trovi problemojn fine de la fabrikado kaj tiam reagi al ili reaktive. Anstataŭe ĝi permesas al vi aktive antaŭvidi problemojn kaj certigi, ke la probablo de fiasko estas minimumigita. Ĉi tio povas esti farita dum kontrolado de procezaj enigaj variabloj. Siavice ĝi regas malfruojn, kiuj povas esti ege kostaj.

Kvankam la antaŭvidebleco povas esti alta, la vero estas, ke la kosto de malsukceso multe superas ĝin.