<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Peter van Bruggen, estadístico, Unilever R&D
Resumen :
En Unilever, se realizan miles de experimentos antes de que los productos (re) se lancen al mercado. Los cientos de investigadores, ingenieros y técnicos involucrados globalmente en estos experimentos están educados en diferentes disciplinas y tienen un nivel variable de conocimiento estadístico. Aplicar el DOE a menudo no es una práctica común, y los estadísticos no siempre están ahí para recibir apoyo. Es un hecho que para los expertos no estadísticos, el DOE plantea algunas dificultades: 1) el número abrumador de DOE, 2) el nivel de detalle para completar la información necesaria y 3) la dificultad para comprender los resultados del análisis estadístico. Un diseño incorrecto podría elegirse fácilmente, o los resultados podrían interpretarse erróneamente. Hace la diferencia entre el éxito y el fracaso. En lugar de capacitar a todos los científicos en estadística y DOE, Unilever implementó una herramienta para superar estas dificultades. Esta herramienta, llamada Plyos, se desarrolló internamente y se ejecuta en JMP. Plyos simplifica el proceso y guía al usuario a través del proceso de configuración de DOE con ayuda extendida. Plyos también da explicaciones detalladas para interpretar los resultados del análisis estadístico. La presentación destaca las formas de trabajar con la herramienta, así como sus ventajas y limitaciones.
Texto de los presentadores :
Por favor vea un PDF separado para las diapositivas presentadas.
1. Introducción
"Pensar es una de las armas más importantes para enfrentar problemas"
Mandela dijo esto hace muchos años en una entrevista que se refería a su encarcelamiento de 27 años.
Sin embargo, estas sabias palabras también podrían ser válidas para el diseño de experimentos. Se ha convertido en parte de nuestro lema para los cursos relacionados con el DoE.
Unilever es una compañía que produce "bienes de consumo que se mueven rápidamente" en un área diversa de alimentos y productos para el hogar y el cuidado personal. Conoce muchos sitios en todo el mundo.
El proceso de lanzamiento de productos en el mercado podría ser, simplificado, dividido en tres etapas: En las ubicaciones de Investigación y Desarrollo, los productos se moldean y luego se prueban a pequeña escala en plantas piloto antes de que se produzcan para el mercado en nuestras fábricas.
El costo relacionado con la experimentación en fábricas es relativamente alto debido a que el equipo es costoso, a menudo los lotes son más grandes y debido a que los productos resultantes no pueden venderse en el mercado.
En I + D podemos hacer muchos más experimentos debido a la menor escala de los experimentos que dan como resultado costos mucho más bajos por muestra. La planta piloto está literalmente en el medio.
El deseo de las técnicas DoE está, por supuesto, directamente relacionado con la cantidad de experimentos que realice.
Sin embargo, el conocimiento común sobre estadísticas y DoE, pero también el nivel de apoyo estadístico, es mucho más bajo en la planta piloto en comparación con el de I&D y es aún más bajo en las fábricas.
Con la introducción del DoE en nuestras plantas piloto, nos enfrentamos a varios desafíos.
Estos desafíos comienzan con el hecho de que tenemos más de 40 plantas piloto en todo el mundo, con más de 500 colegas involucrados. El nivel de educación difiere bastante y con eso su conocimiento de las estadísticas. Usar técnicas estadísticas no es siempre una práctica diaria.
Las personas que trabajan en plantas piloto están altamente calificadas y son muy apreciadas en su propia área de experiencia, pero cuando inician una herramienta DoE se enfrentan a muchas opciones y opciones. Algunas de estas opciones son "fáciles" pero otras pueden ser "muy difíciles". La mayoría de los problemas que enfrentan se relacionan con el tipo de diseño y el análisis e interpretación de los resultados. La falta de conocimiento en esta área podría impedirles usar DoE.
Hay varias maneras de superar una posible falta de conocimiento de las cuales las más obvias se enumeran aquí. Sin embargo, tanto la "capacitación" como el "creciente apoyo estadístico" son muy costosos debido a la gran cantidad de sitios y colegas involucrados. Y forzar el uso de una técnica no funcionará como todos podríamos saber.
2 Introducción de DoE en plantas piloto
Unilever ha optado por la ruta para simplificar el proceso de aplicación de DoE. Esta no es solo una opción para reducir costos, sino que también puede ser una opción más sostenible para Unilever con tantos colegas y donde las personas cambian de trabajo de vez en cuando.
Para ello, hemos establecido ciertos requisitos para simplificar el proceso de configuración de un diseño de experimentos y su análisis.
Hemos tratado de evitar tanto como sea posible el uso del lenguaje estadístico. Nos saltamos los términos sobre el tipo de diseño y las técnicas de análisis, pero nos centramos en la información que debe recopilarse después de la prueba y el conocimiento que el usuario tiene antes de la prueba.
Dado que no siempre es posible evitar el lenguaje estadístico, especialmente cuando se analizan datos, se ha elegido para proporcionar ayuda en cada etapa del proceso.
Herramienta 3 Plyos
Para que dicho proceso simplificado sea exitoso, necesita, inevitablemente, una herramienta de software simple, útil y fácil de usar.
Hemos desarrollado una herramienta de este tipo. La herramienta se llama "Plyos" y, por supuesto, está disponible en todo el mundo de Unilever.
Esta herramienta se ejecuta en JMP y muestra solo la información que se desea. ¿Cuáles son las respuestas y los factores? Y muestra solo información adicional cuando es estrictamente necesario. Por ejemplo, la pregunta de si las interacciones deben incluirse en el diseño o no, se plantea solo cuando las interacciones pueden incluirse en el diseño.
Todos los pasos se explican y las posibles decisiones se comunican al usuario. Comprueba la entrada y sugiere mejoras dependiendo del conocimiento de Unilever.
Finalmente, la herramienta proporciona un diseño efectivo que se presenta aleatorio o bloqueado si las circunstancias lo desean.
Además, la herramienta analiza las respuestas utilizando un número mínimo de técnicas estadísticas según el tipo de respuesta y el número de factores y explica cómo se debe interpretar cada técnica, individualmente y en combinación.
Flujo del programa 4 Plyos
Con los ejemplos dados, se obtiene una idea aproximada del flujo del programa, con algunas capturas de pantalla a un lado. Sólo se presentan algunos aspectos destacados.
Al inicio, Plyos ofrece opciones para cambiar la carpeta predeterminada para el almacenamiento de los datos. Puedes leer la ayuda o abrir un manual más detallado. También hay opciones para probar la aplicación usando archivos de ejemplo.
Más importante es, por supuesto, el diseño de un nuevo conjunto de experimentos o para abrir un diseño existente para agregar datos de respuesta y analizar estos resultados.
Cuando los usuarios comienzan a crear un nuevo diseño, la herramienta solicita primero los detalles para identificar la prueba en una etapa posterior. Luego, el usuario debe completar los detalles de las respuestas, de las cuales se muestra una pantalla de ejemplo. El detalle de la información que se solicita aquí es más de lo que cabría esperar al configurar un diseño en JMP. Esta información adicional es la información típica de Unilever y se utiliza en segundo plano para optimizar el diseño final resultante. Por ejemplo, Plyos preguntará si las respuestas ordinales o nominales podrían ser reemplazadas por respuestas continuas. Las respuestas continuas son más fáciles de analizar y los resultados darán menos problemas en la interpretación de los no estadísticos.
Una pantalla de ayuda separada está disponible para explicar los diferentes campos y su impacto.
Después de cerrar esta pantalla de respuesta, el siguiente paso en el proceso trata, de manera similar, con los factores que deben investigarse.
Si el sistema de conocimiento de Plyos decide que el usuario debe hacer una elección, por ejemplo, si las interacciones deben incluirse o no, el sistema hace la pregunta y proporciona ayuda para aclarar esta pregunta.
El siguiente paso, "Decisiones y consecuencias", se refiere a una decisión forzada de Plyos.
Si Plyos ha forzado una decisión, por ejemplo, cuando los niveles de factor deben estar limitados, se muestra una ventana separada con explicaciones con las opciones para seleccionar, si corresponde.
Cuando todo se ha llenado y respondido, se proporciona un diseño aleatorio y listo para usar.
Esta tabla de datos JMP, de nuevo respaldada por la ayuda, se puede utilizar directamente como una receta para las pruebas en la planta piloto. Los resultados de las respuestas se pueden completar y, por supuesto, la tabla se puede guardar para su procesamiento posterior.
La tabla se corresponde con la información proporcionada y es más detallada que la tabla de datos JMP estándar después de su proceso DoE estándar. Por ejemplo, JMP DoE creará factores nominales solo para todos los factores categóricos en la entrada, mientras que Plyos los hace ordinales o nominales según la entrada.
Un buen diseño de experimentos es inútil sin un análisis adecuado de los datos de respuesta.
En el ejemplo dado, se ve en el lado izquierdo una ventana de informe JMP que presenta las técnicas estadísticas predefinidas que se eligen para el modelo bajo investigación y en el lado derecho se ve la explicación de las mismas técnicas.
Las explicaciones solo mostrarán aquellas técnicas que realmente se utilizan en el análisis y viceversa.
Junto con las descripciones generales del modelo y los supuestos más importantes, las explicaciones detalladas de las técnicas de análisis, individualmente y en combinación, deberían ser suficientes para que la mayoría de las situaciones saquen conclusiones sólidas y sólidas de los datos, incluso cuando el usuario solo tiene un conocimiento limitado de las estadísticas. .
5 retos de diseño
Durante el diseño de la herramienta nos enfrentamos a varios retos. Algunos eran bastante grandes en impacto, otros eran pequeños.
El primero trata sobre los tipos de diseño que se necesitarían para combinaciones específicas de factores y ¿podríamos crear un flujo tal que se elija el mismo diseño cuando inicie el mismo proceso nuevamente?
Afortunadamente, teníamos bastante conocimiento experto sobre el grupo objetivo y sus necesidades específicas. Las diferentes situaciones se definieron por el número de factores, el tipo de factores, el número de niveles por factores (categóricos), si se incluyen o no las interacciones y / o la no linealidad y algunas otras restricciones.
Toda la información se almacena en una gran tabla de datos que también incluye información sobre cómo se deben analizar los datos.
En una etapa temprana de desarrollo, se decidió utilizar principalmente diseños clásicos. Estos son fáciles de entender y se pueden repetir. Sin embargo, estos diseños no son fáciles de codificar, especialmente cuando se quiere evitar que los usuarios entren en las pantallas de diálogo DoE estándar de JMP.
Por lo tanto, la mayoría de los diseños están codificados en los scripts a través de bucles. Otros se almacenan en tablas de datos y se utilizan bajo demanda.
Se necesitaban muchos tipos de ayuda, llamadas durante las diferentes etapas del proceso de creación del diseño. Para facilitar el mantenimiento, el texto no debe almacenarse demasiado en los scripts.
Ponemos texto en diferentes fuentes, incluyendo scripts. Sin embargo, la mayoría se almacena en tablas de datos y revistas. Especialmente la forma en que encontramos almacenar mucho texto en una revista y presentar partes del texto de manera flexible nos dio una gran satisfacción.
También nos encontramos con varios problemas más pequeños:
Ciertos nombres de columna creados parecían ser dependientes del idioma (por ejemplo, "Residuos"). Elegimos para la solución simple y probamos ahora el idioma y le pedimos al usuario que cambie si es necesario.
Algunas "Preferencias de plataforma" cambian la forma en que se presentan los datos durante el análisis. Algunos no pueden ser superados por codificación dura. No encontramos formas de superar algunos de los problemas, por lo que colocamos advertencias en nuestro texto.
Comenzamos el desarrollo en 2011 en JMP9. Más tarde se introdujo JMP11 causando algunos problemas para ciertas rutinas. Construimos versiones dependientes de subrutinas para superar. Sin embargo, JMP9 ya no está disponible.
6 Disponibilidad de herramientas y despliegue.
La herramienta se despliega en todo el mundo Unilever. Se entrega a través de un disco compartido.
Aunque el uso de la herramienta se explica por sí mismo por medio de la ayuda y el manual incluido, la herramienta también forma parte de un programa de capacitación.
Durante esta capacitación, el enfoque no está en el fondo del diseño de experimentos ni en estadísticas complicadas, sino en la práctica de la herramienta y en la preparación necesaria para configurar un diseño. Nuestro lema durante el entrenamiento es "Piensa duro antes de comenzar", repitiendo de hecho las palabras de Mister Mandela.
Según nuestra experiencia, este proceso de pensamiento es incluso más importante que el proceso real de creación de un DoE.
7 uso de la herramienta
Plyos está disponible desde 2012.
Vemos el uso de la herramienta en todo el negocio de Unilever con una cobertura de más de 20 países y más de 500 usuarios. Alrededor de 100 usuarios han creado varios de los 600 casos relevantes que hemos visto en los últimos 2 a 3 años. Al parecer, Plyos era aplicable en aproximadamente el 95% de estos casos, lo que resultó en un diseño válido y útil. Para aproximadamente el 5% de estos casos se necesitó información de un estadístico.
Sin embargo, un punto es extremadamente importante: todos los aspectos deben ser dirigidos y respaldados por la alta gerencia. Sin tal soporte, existe un alto riesgo de que el uso de la herramienta, y por lo tanto la aplicación de DoE, disminuya. Tenemos mucha suerte de contar con este apoyo.
8 Conclusión
Sigue siendo difícil sacar una conclusión sólida, especialmente como diseñador de la herramienta.
Sin embargo, a partir de las estadísticas que acabamos de ver y los comentarios y preguntas que recibimos y recibimos de los usuarios, creo que hemos tenido éxito en la simplificación del proceso de configuración de diseños de experimentos.
Por supuesto, debemos hacer todo lo posible para que el usuario se centre en crear un diseño de experimentos cuando el trabajo en la planta piloto lo exija. Lo hacemos en parte por la administración, pero también entregando ayuda dedicada de los estadísticos a pedido.
Además, la herramienta en sí debe actualizarse periódicamente para mantenerla en línea con las crecientes demandas del usuario.
También pareció que el enfoque en "Piense duro antes de comenzar" es beneficioso. El usuario es mucho más consciente de lo que les gustaría investigar y ve a Plyos como una herramienta útil para hacerlo sin la ayuda de un estadístico.
9 Equipo y Cierre
Finalmente, me gustaría enfatizar que este desarrollo no hubiera sido posible sin un gran equipo.
Winfried Theis dejó a Unilever desafortunadamente mucho antes de que se escribiera la herramienta.
Los otros dos tipos, Frits Quadt de Quadt Consultancy para soporte técnico y Hans de Roos de Octoplus Information Solutions para scripting, todavía están en nuestro equipo.
Por supuesto, muchos otros se han involucrado en el fondo, lo que hace posible que Plyos se pueda implementar globalmente. Su ayuda fue y es muy apreciada.
Peter van Bruggen
Estadístico
Unilever Research & Development, Vlaardingen, Países Bajos
peter-van.bruggen@unilever.com
