<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Peter van Bruggen, Statistiker, Unilever R & D
Abstrakt :
Bei Unilever werden Tausende von Experimenten durchgeführt, bevor Produkte (wieder) auf den Markt gebracht werden. Hunderte von Forschern, Ingenieuren und Technikern, die weltweit an diesen Experimenten beteiligt sind, werden in verschiedenen Disziplinen ausgebildet und verfügen über unterschiedliche statistische Kenntnisse. Die Anwendung von DOE ist häufig keine gängige Praxis, und Statistiker sind nicht immer für Unterstützung da. Es ist eine Tatsache, dass DOE für nicht-statistische Experten einige Schwierigkeiten aufwirft: 1) die überwältigende Anzahl von DOEs, 2) der Detailgrad, um die erforderlichen Informationen auszufüllen, und 3) die Schwierigkeit, die Ergebnisse der statistischen Analyse zu verstehen. Ein falsches Design könnte leicht ausgewählt werden oder die Ergebnisse könnten falsch interpretiert werden. Es macht den Unterschied zwischen Erfolg und Misserfolg. Anstatt alle Wissenschaftler in Statistik und DOE zu schulen, setzte Unilever ein Instrument ein, um diese Schwierigkeiten zu überwinden. Dieses Tool - Plyos - wurde intern entwickelt und läuft in JMP. Plyos vereinfacht den Prozess und führt den Benutzer mit erweiterten Hilfe durch den Prozess der Einrichtung von DOEs. Plyos gibt auch detaillierte Erklärungen zur Interpretation der Ergebnisse der statistischen Analyse. Die Präsentation zeigt die Arbeitsweise des Werkzeugs sowie seine Vorteile und Einschränkungen auf.
Moderatorentext :
Bitte sehen Sie ein separates PDF für die präsentierten Folien
1. Einleitung
„Denken ist eine der wichtigsten Waffen im Umgang mit Problemen“
Mandela hat dies vor vielen Jahren in einem Interview gesagt, das sich auf seine 27-jährige Haft bezieht.
Diese weisen Worte könnten jedoch auch für das Design von Experimenten gelten. Es ist Teil unseres Slogans für DoE-bezogene Kurse geworden.
Unilever ist ein Unternehmen, das "schnelllebige Konsumgüter" in einem vielfältigen Bereich von Lebensmitteln sowie Haushalts- und Körperpflegeprodukten herstellt. Es kennt viele Standorte auf der ganzen Welt.
Der Prozess der Markteinführung von Produkten könnte vereinfacht und in drei Stufen aufgeteilt werden: In den Forschungs- und Entwicklungsstandorten werden Produkte geformt, die dann in Pilotanlagen im kleinen Maßstab getestet werden, bevor sie in unseren Fabriken für den Markt produziert werden.
Die Kosten für das Experimentieren in Fabriken sind wegen der teuren Ausrüstung, oft größeren Losgrößen und der Tatsache, dass die resultierenden Waren nicht auf dem Markt verkauft werden können, relativ hoch.
In Forschung und Entwicklung können wir viel mehr Experimente durchführen, da die Experimente im kleineren Maßstab liegen und die Kosten pro Probe viel niedriger sind. Die Pilotanlage befindet sich buchstäblich in der Mitte.
Der Wunsch nach DoE-Techniken hängt natürlich direkt von der Anzahl der von Ihnen durchgeführten Experimente ab.
Das allgemeine Wissen über Statistik und DoE - aber auch das Niveau der statistischen Unterstützung - ist in Pilotanlagen leider viel niedriger als in FuE und in Fabriken sogar noch niedriger.
Mit der Einführung von DoE in unseren Pilotanlagen standen wir vor mehreren Herausforderungen.
Diese Herausforderungen beginnen mit der Tatsache, dass wir weltweit über 40 Pilotanlagen mit mehr als 500 Kollegen haben. Das Bildungsniveau ist sehr unterschiedlich und damit auch das statistische Wissen. Die Verwendung statistischer Techniken ist nicht immer üblich.
Die Menschen in Pilotanlagen sind sehr hochqualifiziert und werden in ihrem eigenen Fachgebiet geschätzt, aber wenn sie ein DoE-Tool starten, haben sie viele Möglichkeiten und Möglichkeiten. Einige dieser Optionen sind "einfach", andere jedoch "sehr schwierig". Die meisten Probleme, mit denen sie konfrontiert sind, betreffen die Art des Designs sowie die Analyse und Interpretation der Ergebnisse. Das mangelnde Wissen in diesem Bereich könnte sie daran hindern, DoE zu verwenden.
Es gibt verschiedene Möglichkeiten, einen möglichen Mangel an Wissen zu überwinden, von denen die offensichtlichsten hier aufgelistet sind. Sowohl die Schulung als auch die zunehmende statistische Unterstützung sind jedoch aufgrund der Vielzahl der beteiligten Standorte und Kollegen sehr teuer. Die Anwendung einer Technik zu erzwingen, wird nicht funktionieren, wie wir alle wissen.
2 Einführung von DoE in Pilotanlagen
Unilever hat sich für die Route entschieden, um die Anwendung von DoE zu vereinfachen. Dies ist nicht nur eine Option zur Kostensenkung, sondern kann auch für Unilever mit so vielen Kollegen eine nachhaltigere Option sein, bei der die Mitarbeiter von Zeit zu Zeit ihren Arbeitsplatz wechseln.
Zu diesem Zweck haben wir bestimmte Anforderungen gesetzt, um die Erstellung eines Versuchsplanes und dessen Analyse zu vereinfachen.
Wir haben versucht, die Verwendung statistischer Sprache so weit wie möglich zu vermeiden. Wir haben die Begriffe über die Art des Designs und die Analysetechniken übersprungen, stattdessen konzentrieren wir uns auf die Informationen, die nach der Testphase gesammelt werden müssen, und auf das Wissen, das der Benutzer vor der Testphase hat.
Da die Vermeidung statistischer Sprache - insbesondere bei der Analyse von Daten - nicht immer möglich ist, wurde sie so gewählt, dass sie in jeder Phase des Prozesses Hilfe bietet.
3 Plyos-Werkzeug
Damit ein solcher vereinfachter Prozess erfolgreich sein kann, benötigen Sie zwangsläufig ein einfaches, nützliches und einfach zu verwendendes Softwaretool.
Wir haben ein solches Werkzeug entwickelt. Das Tool heißt „Plyos“ und ist natürlich in Unilever weltweit verfügbar.
Dieses Tool wird in JMP ausgeführt und erfasst nur die gewünschten Informationen. Was sind die Antworten und Faktoren? Und es werden nur zusätzliche Informationen erfasst, wenn dies unbedingt erforderlich ist. Beispielsweise wird die Frage, ob Interaktionen in das Design aufgenommen werden müssen oder nicht, nur dann gestellt, wenn Interaktionen in das Design aufgenommen werden können.
Alle Schritte werden erklärt und mögliche Entscheidungen werden dem Benutzer mitgeteilt. Es prüft die Eingabe und schlägt Verbesserungen vor, abhängig von den Kenntnissen von Unilever.
Schließlich bietet das Tool ein effektives Design, das randomisiert oder blockiert wird, wenn die Umstände dies wünschen.
Außerdem analysiert das Tool die Antworten anhand einer minimalen Anzahl statistischer Techniken in Abhängigkeit von der Art der Reaktion und der Anzahl der Faktoren. Außerdem wird erläutert, wie jede Technik - einzeln und in Kombination - zu interpretieren ist.
4 Plyos-Programmablauf
Mit den angegebenen Beispielen erhalten Sie eine ungefähre Vorstellung vom Ablauf des Programms, neben einigen Screenshots. Es werden nur einige Highlights vorgestellt.
Beim Start gibt Plyos Optionen zum Ändern des Standardordners für die Speicherung der Daten. Sie können die Hilfe lesen oder ein ausführlicheres Handbuch öffnen. Es gibt auch Optionen, um die Anwendung anhand von Beispieldateien zu testen.
Wichtiger ist natürlich der Entwurf eines neuen Satzes von Experimenten oder das Öffnen eines vorhandenen Entwurfs, um Antwortdaten hinzuzufügen und diese Ergebnisse zu analysieren.
Wenn der Benutzer mit der Erstellung eines neuen Designs beginnt, fragt das Tool zunächst nach Details, um die Testversion zu einem späteren Zeitpunkt zu identifizieren. Der Benutzer muss dann die Details der Antworten eingeben, von denen ein Beispielbildschirm angezeigt wird. Die Informationen, die hier angefordert werden, sind mehr als Sie erwarten würden, wenn Sie ein Design in JMP einrichten. Diese zusätzlichen Informationen sind typische Unilever-Informationen und werden im Hintergrund verwendet, um das endgültige Ergebnis zu optimieren. Zum Beispiel wird Plyos fragen, ob ordinale oder nominale Antworten durch kontinuierliche Antworten ersetzt werden könnten. Kontinuierliche Antworten lassen sich leichter analysieren, und die Ergebnisse werden von Nichtstatistikern weniger Interpretationsprobleme verursachen.
In einem separaten Hilfebildschirm werden die verschiedenen Felder und ihre Auswirkungen erläutert.
Nach dem Schließen dieses Antwortbildschirms werden im nächsten Schritt auf ähnliche Weise die Faktoren behandelt, die untersucht werden müssen.
Wenn das Plyos-Wissenssystem entscheidet, dass der Benutzer eine Entscheidung treffen muss - z. B. ob Interaktionen aufgenommen werden müssen oder nicht -, stellt das System die Frage und liefert Hilfe zur Klärung dieser Frage.
Der nächste Schritt „Entscheidungen und Konsequenzen“ bezieht sich auf eine Zwangsentscheidung von Plyos.
Wenn Plyos eine Entscheidung erzwungen hat - zum Beispiel, wenn die Faktorstufen begrenzt werden müssen - wird ein separates Fenster mit Erläuterungen angezeigt, das gegebenenfalls Optionen enthält.
Wenn alles ausgefüllt und beantwortet wurde, wird ein randomisiertes und einsatzbereites Design bereitgestellt.
Diese JMP-Datentabelle kann - wiederum unterstützt durch Hilfe - direkt als Rezept für die Versuche in der Pilotanlage verwendet werden. Antwortergebnisse können gefüllt werden und natürlich kann die Tabelle für die spätere Verarbeitung gespeichert werden.
Die Tabelle entspricht den bereitgestellten Informationen und ist nach ihrem Standard-DoE-Prozess detaillierter als die Standard-JMP-Datentabelle. Zum Beispiel erstellt JMP DoE nur Nominalfaktoren für alle kategorialen Faktoren bei der Eingabe, während Plyos diese abhängig von der Eingabe ordinal oder nominal macht.
Ein gutes Design von Experimenten ist ohne eine korrekte Analyse der Antwortdaten unbrauchbar.
In dem angegebenen Beispiel sehen Sie auf der linken Seite ein JMP-Berichtsfenster mit den vordefinierten statistischen Techniken, die für das zu untersuchende Modell ausgewählt werden, und auf der rechten Seite sehen Sie die Erklärung derselben Techniken.
Die Erklärungen zeigen nur die Techniken, die tatsächlich in der Analyse verwendet werden, und umgekehrt.
Zusammen mit allgemeinen Beschreibungen des Modells und den wichtigsten Annahmen sollten die detaillierten Erklärungen der Analysetechniken - einzeln und in Kombination - für die meisten Situationen ausreichen, um aus den Daten solide und fundierte Schlussfolgerungen zu ziehen, selbst wenn der Benutzer nur über geringe Kenntnisse der Statistik verfügt .
5 Design-Herausforderungen
Bei der Konzeption des Tools standen wir vor mehreren Herausforderungen. Einige hatten einen großen Einfluss, andere waren klein.
Die erste beschäftigt sich mit den Arten von Design, die für bestimmte Kombinationen von Faktoren erforderlich wären, und würden wir in der Lage sein, einen solchen Fluss zu erzeugen, dass das gleiche Design gewählt wird, wenn Sie denselben Prozess noch einmal von vorne beginnen?
Glücklicherweise hatten wir einiges Expertenwissen über die Zielgruppe und ihre spezifischen Bedürfnisse. Die verschiedenen Situationen wurden durch die Anzahl der Faktoren, die Art der Faktoren, die Anzahl der Ebenen pro (kategoriale) Faktoren, die Auswahl von Interaktionen und / oder Nichtlinearität und einige andere Einschränkungen definiert.
Alle Informationen werden in einer großen Datentabelle gespeichert, die auch enthält, wie die Daten analysiert werden sollen.
In einem frühen Stadium der Entwicklung wurde beschlossen, hauptsächlich klassische Designs zu verwenden. Diese sind leicht verständlich und können wiederholt werden. Diese Designs sind jedoch nicht einfach zu codieren, insbesondere wenn Sie vermeiden möchten, dass die Benutzer in die standardmäßigen DoE-Dialogbildschirme von JMP eingebunden werden.
Daher sind die meisten Designs über Schleifen in den Skripten fest codiert. Andere werden in Datentabellen gespeichert und bei Bedarf verwendet.
Es wurden viele Arten von Hilfe benötigt, die in verschiedenen Phasen des Konstruktionsprozesses aufgerufen wurden. Um die Wartung zu vereinfachen, sollte der Text nicht zu tief in den Skripten gespeichert werden.
Wir setzen Text in verschiedene Quellen, einschließlich Skripte. Der Großteil ist jedoch in Datentabellen und Journalen gespeichert. Besonders die Art und Weise, wie wir fanden, viel Text in einer Zeitschrift zu speichern und Teile des Textes flexibel darzustellen, war für uns eine große Zufriedenheit.
Wir haben auch einige kleinere Probleme:
Bestimmte erstellte Spaltennamen erschienen sprachabhängig (z. B. „Residuals“). Wir haben uns für die einfache Lösung entschieden und testen jetzt die Sprache und bitten den Benutzer, ihn bei Bedarf zu ändern.
Einige „Plattformeinstellungen“ ändern die Art und Weise, wie Daten während der Analyse dargestellt werden. Einige können nicht durch Hardcodierung überwunden werden. Wir haben keine Möglichkeiten gefunden, einige der Probleme zu überwinden, deshalb haben wir Warnungen in unseren Text eingefügt.
Wir haben 2011 mit der Entwicklung in JMP9 begonnen. Später wurde JMP11 eingeführt, was bei bestimmten Routinen Probleme verursachte. Wir bauen versionsabhängige Unterprogramme, die es zu überwinden gilt. JMP9 ist jedoch nicht mehr verfügbar.
6 Werkzeugverfügbarkeit und Auslieferung
Das Tool wird auf die gesamte Unilever-Welt ausgerollt. Es wird über ein gemeinsames Laufwerk geliefert.
Obwohl die Verwendung des Tools durch die Hilfe und das mitgelieferte Handbuch selbsterklärend ist, ist das Tool auch Teil eines Schulungsprogramms.
Bei diesem Training liegt der Fokus nicht auf dem Hintergrund des Versuchsentwurfs oder der komplizierten Statistik, sondern viel mehr auf dem Üben des Werkzeugs und der Vorbereitung, die zur Erstellung eines Entwurfs erforderlich ist. Unser Motto während des Trainings lautet "Denken Sie vor dem Beginn gründlich nach" und wiederholen Sie die Worte von Herrn Mandela.
Wir haben die Erfahrung gemacht, dass dieser Denkprozess noch wichtiger ist als der tatsächliche Aufbau eines DoE.
7 Werkzeugnutzung
Plyos ist seit 2012 verfügbar.
Wir sehen den Einsatz des Tools über das gesamte Unilever-Geschäft verteilt, mit einer Reichweite von über 20 Ländern und über 500 Benutzern. Etwa 100 Anwender haben mehrere der 600 relevanten Fälle erstellt, die wir in den letzten 2 bis 3 Jahren gesehen haben. Plyos schien in etwa 95% dieser Fälle anwendbar zu sein, was zu einem gültigen und nützlichen Design führte. Für etwa 5% dieser Fälle war die Eingabe eines Statistikers erforderlich.
Ein Punkt ist jedoch äußerst wichtig: Alle Aspekte müssen von der Geschäftsleitung gesteuert und unterstützt werden. Ohne eine solche Unterstützung besteht ein hohes Risiko, dass die Verwendung des Tools und damit die Anwendung von DoE zurückgeht. Wir sind sehr glücklich, diese Unterstützung zu haben.
8 Schlussfolgerung
Es bleibt schwierig, eine solide Schlussfolgerung zu ziehen - insbesondere als Konstrukteur des Werkzeugs.
Aus den Statistiken, die wir gerade gesehen haben, und den Kommentaren und Fragen, die wir erhalten haben und von den Benutzern immer noch erhalten, ist es uns jedoch gelungen, den Aufbau von Versuchsentwürfen zu vereinfachen.
Natürlich müssen wir alles tun, um den Anwender darauf zu konzentrieren, eine Versuchsplanung zu erstellen, wann immer dies von der Arbeit in der Pilotanlage gefordert wird. Wir tun dies zum Teil durch das Management, aber auch, indem wir auf Verlangen engagierte Statistiker unterstützen.
Auch das Tool selbst muss regelmäßig aktualisiert werden, um den wachsenden Anforderungen des Benutzers gerecht zu werden.
Es hat sich auch gezeigt, dass der Fokus auf „Think Hard Before You Start“ von Nutzen ist. Der Benutzer ist sich viel mehr bewusst, was er untersuchen möchte, und erachtet Plyos als nützliches Werkzeug, um dies ohne die Hilfe eines Statistikers zu erledigen.
9 Team & Schließung
Abschließend möchte ich betonen, dass diese Entwicklung ohne ein tolles Team nicht möglich gewesen wäre.
Winfried Theis hat Unilever leider lange vor der Erstellung des Tools verlassen.
Die beiden anderen Jungs - Frits Quadt von Quadt Consultancy für technischen Support und Hans de Roos von Octoplus Information Solutions für Scripting - sind immer noch in unserem Team.
Natürlich waren viele andere in den Hintergrund involviert, sodass Plyos global ausgerollt werden konnte. Ihre Hilfe wurde und wird sehr geschätzt.
Peter van Bruggen
Statistiker
Unilever Research & Development, Vlaardingen, Niederlande
peter-van.bruggen@unilever.com
