אם לפעמים נדמה שכמות הכשלים היום גדולה יותר, זה כנראה נכון. קשה יותר להשיג שליטה בייצור היום, בגלל גודל המערכות המשולבות, השינויים, המורכבות שלהן, והאחריות שנמצאת לעיתים מחוץ לארגון. אמנם כשלים שפעם נחשבו קשים ניתנים היום לגילוי בלחיצת כפתור (לדוגמא, פגמים באספקה), אך במקומם באו חדשים ורבים.
כשל זה יותר מתקלה, זה בעיה שלא נפתרת במנגנונים הקימים, זה מעין חריג. לכן כדי לתקנו צריך לשנות או להוסיף משהו למערכת. מכאן הקושי בהגדרה ובטיפול בנושא.
איך אם כן, ניתן בכל זאת לאתר באופן ססטמטי כשלים ולמצוא להם פתרונות? התשובה לכך נמצאת בכריית נתונים, מהסוג שיודע לאתר דפוסי התנהגות סמויים בנתונים חופשיים (לא מפוקחים), כדוגמת GT data mining (גילוי נאות, זה פתרון שלי).
בניתוח כשלים יש מספר אתגרים:
ראשית כל השאלה, האם לפנינו כשל?
שנית, מה סיבת השורש של הכשל?
ושלישית, איך לחלץ מתוך סבך הנתונים רמזים לגבי הפתרון?
הטענה ב-GT היא, ששלושת האתגרים הם למעשה שלושה צדדים של תשובה אחת, איתור דפוסי ההתנהגות הטיפוסיים של הכשל. הדפוסים מובילים בדרך ההצלבה וההשוואה, לגילוי של מאפינים משותפים, שהם קצה החוט והרמזים לפתרון...
הכל לוגיקה. אם דרושים תנאים מסוימים ליצירתו של כשל, הרי שאפשר לומר, שסילוק אפילו של מקצת התנאים ישלול את אפשרות הכשל ובכך נפתר הענין.