<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Peter van Bruggen, statisticien, Unilever R & D
Abstrait :
Chez Unilever, des milliers d’expériences sont effectuées avant que les produits ne soient (re) lancés sur le marché. Les centaines de chercheurs, ingénieurs et techniciens impliqués dans ces expériences à travers le monde sont formés à différentes disciplines et possèdent un niveau variable de connaissances statistiques. L’application du DOE n’est souvent pas une pratique courante et les statisticiens ne sont pas toujours là pour demander de l’aide. Il est un fait que, pour les experts non statistiques, le DOE pose certaines difficultés: 1) le nombre écrasant de DOE, 2) le niveau de détail nécessaire pour fournir les informations nécessaires et 3) la difficulté à comprendre les résultats de l'analyse statistique. Une conception incorrecte pourrait facilement être choisie ou les résultats pourraient être interprétés de manière erronée. Cela fait la différence entre le succès et l'échec. Au lieu de former tous les scientifiques aux statistiques et au DOE, Unilever a déployé un outil pour surmonter ces difficultés. Cet outil - appelé Plyos - a été développé en interne et fonctionne sous JMP. Plyos simplifie le processus et guide l'utilisateur tout au long du processus de configuration des DOE avec une aide étendue. Plyos fournit également des explications détaillées pour interpréter les résultats de l'analyse statistique. La présentation met en évidence les façons de travailler avec l'outil, ainsi que ses avantages et ses inconvénients.
Texte des présentateurs :
S'il vous plaît voir un PDF séparé pour les diapositives présentées
1. Introduction
"Penser est l'une des armes les plus importantes pour résoudre les problèmes"
Mandela a déclaré cela il y a plusieurs années dans une interview faisant référence à son emprisonnement de 27 ans.
Cependant, ces mots sages pourraient également être valables pour la conception d’expériences. Cela fait partie de notre slogan pour les cours liés à DoE.
Unilever est une société produisant des «biens de consommation à rotation rapide» dans un secteur diversifié des aliments et des produits de soins à domicile et de soins personnels. Il connaît de nombreux sites à travers le monde.
Le processus de mise sur le marché des produits pourrait être simplifié, divisé en trois étapes: Dans les sites de recherche et développement, les produits sont mis en forme. Ils sont ensuite testés à petite échelle dans des usines pilotes avant d’être produits pour le marché dans nos usines.
Le coût lié à l'expérimentation dans les usines est relativement élevé en raison de l'équipement coûteux, des lots souvent plus importants et du fait que les produits obtenus ne peuvent pas être vendus sur le marché.
En R & D, nous pouvons faire beaucoup plus d’expériences en raison de la plus petite échelle des expériences, ce qui réduit considérablement les coûts par échantillon. L'usine pilote est littéralement au milieu.
Le désir de techniques DoE est bien sûr directement lié au nombre d'expériences que vous effectuez.
Les connaissances communes sur les statistiques et le DoE - mais aussi le niveau de soutien statistique - sont malheureusement beaucoup plus faibles dans les installations pilotes que dans les activités de R & D et encore plus faibles dans les usines.
Avec l’introduction de DoE dans nos usines pilotes, nous avons été confrontés à plusieurs défis.
Ces défis commencent par le fait que nous avons plus de 40 usines pilotes dans le monde entier, avec plus de 500 collègues impliqués. Le niveau d'éducation diffère beaucoup et avec cela leur connaissance des statistiques. L'utilisation de techniques statistiques n'est pas toujours une pratique quotidienne.
Les personnes travaillant dans des usines pilotes sont très qualifiées et appréciées dans leur propre domaine d'expertise, mais lorsqu'elles créent un outil DoE, elles sont confrontées à de nombreuses options et choix. Certains de ces choix sont «faciles» mais d'autres peuvent être «très difficiles». La plupart des problèmes auxquels ils sont confrontés ont trait au type de conception, à l'analyse et à l'interprétation des résultats. Le manque de connaissances dans ce domaine pourrait les empêcher d’utiliser DoE.
Il existe plusieurs façons de surmonter un éventuel manque de connaissances, dont les plus évidentes sont énumérées ici. Toutefois, la formation et l’accroissement du soutien statistique sont très coûteux en raison du grand nombre de sites et de collègues impliqués. Et forcer l'utilisation d'une technique ne fonctionnera pas comme nous le savons tous.
2 Introduire DoE dans des usines pilotes
Unilever a choisi la voie pour simplifier le processus d’application de DoE. C’est non seulement une option permettant de réduire les coûts, mais également une option plus durable pour Unilever avec autant de collègues et de personnes qui changent d’emploi de temps à autre.
Pour ce faire, nous avons défini un certain nombre d'exigences visant à simplifier le processus d'établissement d'un plan d'expériences et son analyse.
Nous avons essayé d'éviter autant que possible l'utilisation du langage statistique. Nous avons ignoré les termes relatifs au type de conception et aux techniques d'analyse, mais nous nous sommes concentrés sur les informations à collecter après l'essai et sur les connaissances dont dispose l'utilisateur avant l'essai.
Comme il n’est pas toujours possible d’éviter le langage statistique - en particulier lors de l’analyse de données -, il a été choisi de fournir une aide à chaque étape du processus.
Outil 3 Plyos
Pour réussir ce processus simplifié, il vous faut inévitablement un outil logiciel simple, utile et facile à utiliser.
Nous avons développé un tel outil. Cet outil s'appelle «Plyos» et est bien entendu disponible dans l'ensemble d'Unilever.
Cet outil s’exécute en JMP et n’examine que les informations souhaitées. Quelles sont les réponses et les facteurs? Et il ne prélève que des informations supplémentaires lorsque cela est strictement nécessaire. Par exemple, la question de savoir si les interactions doivent ou non être incluses dans la conception ne se pose que lorsque des interactions peuvent être incluses dans la conception.
Toutes les étapes sont expliquées et les décisions possibles sont communiquées à l'utilisateur. Il vérifie les entrées et suggère des améliorations en fonction des connaissances d'Unilever.
Enfin, l’outil fournit une conception efficace qui est présentée de manière aléatoire ou bloquée si les circonstances le souhaitent.
De plus, l'outil analyse les réponses à l'aide d'un nombre minimum de techniques statistiques en fonction du type de réponse et du nombre de facteurs, et explique comment chaque technique, individuellement ou combinée, doit être interprétée.
4 déroulement du programme Plyos
Avec les exemples donnés, vous obtenez une idée approximative du déroulement du programme, avec quelques captures d'écran de côté. Seuls quelques points forts sont présentés.
Au début, Plyos donne des options pour changer le dossier par défaut pour le stockage des données. Vous pouvez lire l'aide ou ouvrir un manuel plus détaillé. Il existe également des options pour tester l'application à l'aide d'exemples de fichiers.
Le plus important est bien sûr la conception d’un nouvel ensemble d’expériences ou l’ouverture d’une conception existante pour ajouter des données de réponse et analyser ces résultats.
Lorsque les utilisateurs commencent à créer une nouvelle conception, l'outil demande d'abord des détails pour identifier l'essai à un stade ultérieur. Ensuite, l'utilisateur doit renseigner les détails des réponses, dont un exemple d'écran. Les informations demandées ici sont plus détaillées que celles auxquelles vous vous attendiez lors de la configuration d'une conception dans JMP. Ces informations supplémentaires sont des informations typiques d'Unilever et sont utilisées en arrière-plan pour optimiser la conception finale. Par exemple, Plyos demandera si les réponses ordinales ou nominales pourraient être remplacées par des réponses continues. Les réponses continues sont plus faciles à analyser et les résultats donneront moins de problèmes d’interprétation par des non-statisticiens.
Un écran d'aide séparé est disponible pour expliquer les différents domaines et leur impact.
Après la fermeture de cet écran de réponse, l’étape suivante du processus traite - de la même manière - des facteurs à étudier.
Si le système de connaissances Plyos décide que l'utilisateur doit faire un choix - par exemple, si des interactions doivent être incluses ou non - le système pose la question et fournit des informations pour clarifier cette question.
La prochaine étape «Décisions et conséquences» fait référence à une décision forcée de Plyos.
Si Plyos a forcé une décision - par exemple lorsque les niveaux de facteurs doivent être limités - une fenêtre séparée avec des explications s'affiche avec, le cas échéant, les options à sélectionner.
Lorsque tout est rempli et que toutes les réponses sont fournies, une conception randomisée et prête à l'emploi est fournie.
Cette table de données JMP - à nouveau appuyée par une aide - peut être utilisée directement comme recette pour les essais dans l’usine pilote. Les résultats des réponses peuvent être renseignés et, bien sûr, la table peut être enregistrée pour un traitement ultérieur.
Le tableau correspond aux informations fournies et est plus détaillé que le tableau de données JMP standard après leur processus DoE standard. Par exemple, JMP DoE créera des facteurs nominaux uniquement pour tous les facteurs catégoriels en entrée, tandis que Plyos les rend ordinaux ou nominaux en fonction de l’entrée.
Une bonne conception des expériences est inutile sans une analyse appropriée des données de réponse.
Dans l'exemple donné, vous voyez à gauche une fenêtre de rapport JMP présentant les techniques statistiques prédéfinies qui sont choisies pour le modèle étudié et à droite, l'explication des mêmes techniques.
Les explications ne montreront que les techniques réellement utilisées dans l'analyse et inversement.
Avec des descriptions générales du modèle et des hypothèses les plus importantes, les explications détaillées des techniques d'analyse - individuellement et en combinaison - devraient être suffisantes pour que la plupart des situations permettent de tirer des conclusions solides et valables des données même lorsque l'utilisateur n'a qu'une connaissance limitée des statistiques .
5 défis de conception
Lors de la conception de l'outil, nous avons dû relever plusieurs défis. Certains avaient un impact assez important, d'autres étaient petits.
La première traite des types de conception qui seraient nécessaires pour des combinaisons de facteurs spécifiques et serions-nous en mesure de créer un flux tel que la même conception est choisie lorsque vous recommencez le même processus?
Heureusement, nous possédions une connaissance approfondie du groupe cible et de ses besoins spécifiques. Les différentes situations ont été définies par le nombre de facteurs, le type de facteurs, le nombre de niveaux par facteurs (catégoriques), l’inclusion ou non d’interactions et / ou la non-linéarité et certaines autres contraintes.
Toutes les informations sont stockées dans un grand tableau de données qui inclut également des informations sur la manière dont les données doivent être analysées.
À un stade précoce de développement, il a été décidé d’utiliser principalement des dessins classiques. Celles-ci sont faciles à comprendre et peuvent être répétées. Cependant, ces conceptions ne sont pas faciles à coder, en particulier lorsque vous souhaitez éviter que les utilisateurs ne se présentent dans les écrans de dialogue DoE standard de JMP.
Par conséquent, la plupart des conceptions sont codées en dur dans les scripts via des boucles. D'autres sont stockés dans des tableaux de données et utilisés à la demande.
De nombreux types d’aide étaient nécessaires, appelés à différentes étapes du processus de création de la conception. Pour faciliter la maintenance, le texte ne doit pas être stocké trop profondément dans les scripts.
Nous mettons du texte dans différentes sources, y compris des scripts. Cependant, la majorité est stockée dans des tables de données et des journaux. En particulier, la manière dont nous avons trouvé de stocker beaucoup de texte dans un journal et de présenter certaines parties du texte de manière flexible nous a procuré une grande satisfaction.
Nous rencontrons également plusieurs problèmes plus petits:
Certains noms de colonnes créés semblaient dépendre de la langue (par exemple, «Résiduels»). Nous avons choisi la solution simple, testons maintenant la langue et demandons à l'utilisateur de changer si nécessaire.
Certaines "Préférences de plate-forme" modifient la manière dont les données sont présentées lors de l'analyse. Certains ne peuvent pas être surmontés par un codage dur. Nous n’avons pas trouvé le moyen de surmonter certains problèmes, nous avons donc placé des avertissements dans notre texte.
Nous avons commencé le développement en 2011 dans JMP9. Plus tard, JMP11 a été introduit, causant des problèmes pour certaines routines. Nous construisons des sous-routines dépendantes de la version à surmonter. Cependant, JMP9 n'est plus disponible.
6 Disponibilité et déploiement de l'outil
L'outil est déployé dans tout le monde Unilever. Il est livré via un lecteur partagé.
Bien que l'utilisation de l'outil soit explicite à l'aide de l'aide et du manuel fourni, l'outil fait également partie d'un programme de formation.
Au cours de cette formation, l’accent n’est pas mis sur l’arrière-plan de la conception d’expériences ni sur des statistiques compliquées, mais bien davantage sur la pratique de l’outil et sur la préparation nécessaire pour mettre en place une conception. Notre devise pendant la formation est «Réfléchissez bien avant de commencer», répétant en fait les paroles de Monsieur Mandela.
Selon notre expérience, ce processus de réflexion est encore plus important que le processus de création d’un DoE.
7 Utilisation de l'outil
Plyos est disponible depuis 2012.
Nous constatons que l’outil est utilisé dans l’ensemble des activités d’Unilever, avec une couverture de plus de 20 pays et plus de 500 utilisateurs. Environ 100 utilisateurs ont créé plusieurs des 600 cas pertinents que nous avons vus au cours des 2 à 3 dernières années. Les plis semblaient être applicables dans environ 95% des cas, ce qui donnait lieu à une conception valable et utile. Pour environ 5% de ces cas, la participation d'un statisticien était nécessaire.
Un point est toutefois extrêmement important: tous les aspects doivent être pilotés et soutenus par la direction. Sans ce soutien, l'utilisation de l'outil - et donc l'application de DoE - risque fort de décliner. Nous sommes très chanceux d'avoir ce soutien.
8 Conclusion
Il reste difficile de tirer une conclusion solide - en particulier en tant que concepteur de l'outil.
Cependant, d'après les statistiques que nous venons de voir et les commentaires et questions que nous avons reçus et que nous recevons encore des utilisateurs, je pense que nous avons réussi à simplifier le processus de configuration des plans d'expérimentation.
Bien entendu, nous devons faire tout ce qui est en notre pouvoir pour que l’utilisateur reste concentré sur la conception d’expériences chaque fois que le travail de l’usine pilote le demande. Nous le faisons en partie par la direction, mais aussi en fournissant une aide spécialisée à la demande par des statisticiens.
De plus, l'outil lui-même doit être mis à jour régulièrement pour le rendre conforme aux demandes croissantes de l'utilisateur.
Il est également apparu que l'accent mis sur «Pensez-y bien avant de commencer» est bénéfique. L'utilisateur est beaucoup plus conscient de ce qu'il aimerait étudier et considère Plyos comme un outil utile pour y parvenir sans l'aide d'un statisticien.
9 équipe et fermeture
Enfin, je voudrais souligner que ce développement n'aurait pas été possible sans une grande équipe.
Winfried Theis a malheureusement quitté Unilever bien avant que l'outil ne soit scripté.
Les deux autres membres - Frits Quadt de Quadt Consultancy pour le support technique et Hans de Roos d’Octoplus Information Solutions pour les scripts - font toujours partie de notre équipe.
Bien entendu, de nombreuses autres personnes ont été impliquées à l'arrière-plan, ce qui a permis de déployer les Plyos à l'échelle mondiale. Leur aide a été et est grandement appréciée.
Peter van Bruggen
Statisticien
Unilever Research & Development, Vlaardingen, Pays-Bas
peter-van.bruggen@unilever.com
