Lautsprecher
|
Transkript
|
| Kieran O'Mahony |
Okay, vielen Dank, mein Name ist Kieran O'Mahony und ich bin der Manager für Datenwissenschaft und Analytik bei Dairygold in Irland. |
| |
Und der Titel meiner Präsentation lautet Melken der Daten bei Dairygold von Balkendiagrammen zu neuronalen Netzen. |
| |
Ich denke, es ist fair zu sagen, dass die Verwendung von Datenanalysen in der Regel eher mit Branchen wie Finanzen und Gesundheitswesen, Pharmazeutika, Halbleiter und dergleichen verbunden ist, und es ist wahrscheinlich selten, dass die Wörter Landwirtschaft und Analytik im selben Satz vorkommen . |
| |
Diese Sitzung soll einen Einblick geben, wie einige sehr ... wie ein sehr traditionelles Unternehmen den Einsatz von Analysen im gesamten Unternehmen sowohl angenommen als auch gefördert hat. |
| |
Diese Sitzung wird sich wahrscheinlich von den anderen Sitzungen unterscheiden, die Sie möglicherweise bei Discovery sehen, in dem Sinne, dass ich mich hier weniger auf ein Projekt konzentriere, sondern mehrere Beispiele dafür zeige |
| |
Dairygold hat JMP verwendet, um mehr datengesteuerte Entscheidungen im gesamten Unternehmen zu ermöglichen, und zwar nicht nur in der Fertigung, was ich für wichtig halte. |
| |
Bevor ich anfange, denke ich, ist es wichtig, ein wenig Hintergrundwissen über das Geschäft, einen Überblick und das, was wir tun, zu geben. |
| |
So ist Dairygold Irlands führende Genossenschaft im Besitz von Landwirten mit hochmodernen Produktionsstätten für Käse und Nährpulver im Herzen der Goldenen Täler. |
| |
Okay, um nur zu erklären, dass wir als Genossenschaft im Grunde genommen ... im Grunde genommen im Besitz der Milchlieferanten sind, also der Bauern. |
| |
Wir haben also 2.800 Milchlieferanten, die uns täglich Milch liefern, und jeder einzelne von ihnen ist Anteilseigner. Das Geschäftsmodell ist daher etwas ungewöhnlich, da die Rohstofflieferanten auch Eigentümer des Geschäfts sind. |
| |
Der Umsatz im letzten Jahr betrug also 1,2 Milliarden Euro. Wir haben ungefähr 1.200 Mitarbeiter und verarbeiten ungefähr 1,4 Milliarden Liter Milch pro Jahr. Es kommt also täglich ziemlich viel Milch auf uns zu. Eigentlich, |
| |
In Spitzenzeiten, weil wir ein saisonales Geschäft haben, sprechen wir in Spitzenzeiten von über 6 Millionen Litern Milch, die täglich an den Standorten ankommen. |
| |
Wir haben auch Einzelhandelsgeschäfte, in denen Sie alles kaufen können, von einem Hammer über Haushaltselektrik und landwirtschaftliche Geräte bis hin zu allem dazwischen. Und wir haben auch die Agrarseite des Geschäfts, wo wir in unseren Mühlen Tierfutter produzieren. |
| |
Dairygold gibt es also schon lange und es begann 1908 als Ballyclough und wurde dann 1919 Mitchelstown und 1990 Dairygold. |
| |
Und wir sind wahrscheinlich gekommen ... na ja, wahrscheinlich nicht ... es ist fair zu sagen, dass wir vor all den Jahren einen sehr langen Weg von der Milch, die mit Pferd und Kutsche geliefert wird, zurückgelegt haben. |
| |
Es ist eine sehr traditionelle Organisation und hat viel Geschichte, aber es ist auch eine sehr fortschrittliche Organisation. |
| |
Und wenn ich sage, wir haben einen langen Weg zurückgelegt, wissen Sie, dass wir jetzt eine sehr große Lieferkette mit einer Flotte von Tankern und jedem Tanker haben. |
| |
Sie können hier ein Beispiel sehen, jeder Tanker transportiert ungefähr 26.000 Liter Milch und wir sammeln täglich Milch von unseren 2.800 Lieferanten. Und es ist eine sehr komplexe Lieferkette in dem Sinne, dass |
| |
Wir sammeln nicht nur Milch von unseren Lieferanten, sondern auch Molke von unseren Käseverarbeitungsbetrieben, wenn wir sie nicht automatisch leiten |
| |
durch ein Rohr zu einem anderen Ort. Also haben wir es auch in Tankschiffen gesammelt und zu anderen Standorten transportiert. |
| |
Und wir machen dasselbe für Magermilchkonzentrat und demineralisiertes Molkekonzentrat, das wir an andere Kunden verkaufen, und dann haben wir auch den Pulver- und Käseteil des Geschäfts, in dem wir auch vertreiben. |
| |
Wir haben also auch einige der größten Trockner (?) In Europa. Sie können hier einen sehen, der sich über fünf oder sechs Stockwerke erstreckt. |
| |
In den letzten fünf oder sechs Jahren hat Dairygold über 400 Millionen in die Werke investiert. |
| |
wir können die bedürfnisse der zukünftigen volumenerweiterung im milchpool erfüllen (?). In Bezug auf Produkte, die wir herstellen, stellen wir her |
| |
Pulver und Käse, größtenteils von Vollmilchpulver über Magermilchpulver und Proteinpulver bis hin zu vielen verschiedenen Käsesorten, insbesondere Käse und Cheddar. |
| |
Und wir beliefern verschiedene Branchen, von Süßwaren und Pizza über herzhafte Produkte bis hin zu Joghurt und verarbeiteten Lebensmitteln und sogar Säuglingsmilchnahrung, also Babynahrung. |
| |
Und es ist wahrscheinlich, dass Sie ... wenn Sie heute überhaupt gegessen haben, ist es sehr wahrscheinlich, dass Sie auch etwas Magermilchkraft oder Vollmilchpulver konsumiert haben, weil es heutzutage nur so weit verbreitet ist. in so vielen Lebensmittelzutaten. |
| |
Das ist also der Hintergrund des Geschäfts. In Bezug auf Daten denke ich, dass es fair ist zu sagen, dass es viele Unternehmen gibt, die als sehr datenreich, aber informationsarm gelten. |
| |
Und es ist auch fair zu sagen, dass je mehr Daten Sie haben, manchmal auch viel mehr Verwirrung. |
| |
Und manchmal denke ich, es ist fair zu sagen, dass selbst wenn Sie alle Informationen haben und Sie ... also haben Sie diese Bevölkerung und Sie haben, wissen Sie, eine Vorstellung davon, was genau |
| |
Sie müssen extrahieren, um nützliche Informationen aus dem Unternehmen zu erhalten. Manchmal wissen Unternehmen nicht genau, was sie mit diesen Daten tun sollen. |
| |
Und aus der Sicht von Dairygold wollen wir versuchen, uns mehr von der rechten Seite des Gehirns zu entfernen, wo es vermutlich darauf ankommt, Annahmen und Bauchgefühl sowie Vermutungen und Intuition zu verwenden. |
| |
und mehr in Richtung der linken Seite des Gehirns, wo es mehr auf die Verwendung von Logik und Mathematik sowie Vernunft und Wissenschaft ausgerichtet ist, aber dies ist es, was wir mehr im Geschäft und mehr datengesteuerte Entscheidungsfindung im gesamten Geschäft verwenden wollen. |
| |
Ich wurde einmal vor einer Präsentation gebeten, eine Zusammenfassung der Datenstrategie von Dairygold zu geben und dies auf einer einzigen Seite zu tun, und ich denke zu der Zeit, ich ... |
| |
Als ich merkte, dass wir zu diesem Zeitpunkt wahrscheinlich keine solide Datenstrategie hatten. |
| |
Aber was ich hier jetzt versuche, ist nur in einem einzigen Bild zu zeigen, was unsere eigentliche Datenstrategie ist und es ist wirklich einfach. |
| |
Daher möchten wir Daten, die im Unternehmen vorhanden sind, verwenden und mithilfe von Analysen nützliche Informationen verarbeiten. |
| |
Und aus diesen Informationen erhalten wir Antworten auf die wichtigsten Fragen, die wir hatten, und manchmal erhalten wir nicht nur Antworten auf die Fragen, die wir hatten, sondern manchmal |
| |
Wir haben tatsächlich mehr Fragen. Aber diese sind wirklich wichtig und sehr mächtig, denn das sind Fragen, die wir von Anfang an nicht gestellt haben. |
| |
Manchmal müssen wir uns unsere Daten noch einmal ansehen und uns helfen, Antworten auf diese Fragen zu erhalten. |
| |
Aber wenn wir an einem Punkt angelangt sind, an dem wir Antworten auf alle unsere Fragen haben, sind wir in einer viel besseren Position und haben viel mehr Einblick in unsere Prozesse. |
| |
Und mit dieser Erkenntnis können wir dann einige zeitnahe datengesteuerte Entscheidungen treffen und uns das Richtige geben ... senden Sie uns, senden Sie uns in die richtige Richtung. |
| |
Und wenn wir unseren Prozess gut genug verstehen, haben wir genug Einsicht, dann sollten wir in der Lage sein, diese Daten zu verwenden, um dies zu können |
| |
Verstehen Sie mit einem hohen Maß an Genauigkeit, was möglicherweise in Zukunft passieren könnte. Gute Einsichten sollten es uns also auch ermöglichen, vorausschauend zu sein, wo wir vorhersagen können, was passieren wird. |
| |
Wie eingangs erwähnt, besteht der Zweck dieser Präsentation darin, eine Reihe von Beispielen für die verschiedenen Arten der Datenverwendung in Dairygold zu geben. |
| |
Ich würde sagen, wir sind von innen heraus weit weg, um Entscheidungen auf der Grundlage unserer Daten zu treffen, und wir beginnen an diesem Punkt mit dem gesamten Bereich des maschinellen Lernens und der KI. |
| |
Ich bin der festen Überzeugung, dass einfach auch sehr mächtig sein kann. |
| |
Und deshalb wird diese Präsentation von Balkendiagrammen zu neuronalen Netzen aufgerufen. |
| |
Und ich denke, es ist wirklich wichtig hervorzuheben, dass Sie aus sehr einfachen Analysen viel Wert ziehen können. Das allererste Beispiel, das ich hier teilen möchte, ist, dass es nur Balkendiagramme sind. |
| |
Aber manchmal denke ich, dass Leute in Präsentationen gehen und Balkendiagramme haben können, die sich über mehrere Seiten erstrecken. Mit JMP ist es so einfach, alle Informationen in einer einzigen zusammenzufassen |
| |
Aussicht. In diesem Fall betrachten wir Salpetersäure in einem Reinigungsprozess und oben sehen wir jeden einzelnen Datenpunkt und für jede Stufe eines Salpetersäurereinigungsprozesses. |
| |
Und Sie können den Gehalt an Salpetersäure sehen, der in jedem der Schritte verwendet wurde. Der nächste Schritt, den wir uns ansehen ... die Anzahl der Verwendungen, also die Häufigkeit, mit der dieser Schritt durchlaufen wurde. |
| |
Und hier betrachten wir die durchschnittliche Verwendung von Salpetersäure für jeden der Schritte. Als Beispiel können wir das sehen, |
| |
Sie wissen, wir haben hier einen höheren Durchschnitt von 24 Litern pro Woche, aber die Häufigkeit des Auftretens dieses Schritts war nur viermal. |
| |
und es war eindeutig voreingenommen von diesem Ausreißer hier, so dass dies offensichtlich verzerrt ist und wahrscheinlich noch wichtiger für uns, weil wir hier versuchen zu verstehen |
| |
und reduzieren Sie die Menge an Salpetersäure, die täglich, wöchentlich, monatlich verwendet wird, ist die Summe der Salpetersäure, die während des Prozesses für jeden der Prozessschritte verwendet wird. |
| |
Und was war wichtig ... was war wichtig für uns, um es hier hervorzuheben, denke ich, und wieder sind es nur einfache Balkendiagramme, aber es gab uns eine große Richtung |
| |
im Geschäft und schickte uns weg ... Entschuldigung, ich habe es vermieden, uns auf eine Tangente zu schicken, denn wenn wir uns all diese Daten ansehen, können wir das sehen |
| |
Drei verschiedene Bereiche sprangen heraus. Wir hatten eine letzte Spülung, eine Vorspülung und einen weiteren letzten Spülschritt. Und die Daten zeigten |
| |
Diese Säure wurde während dieser Spülschritte verwendet, was nicht möglich ist, da die Spülschritte nur Wasser beinhalten. |
| |
Ein bisschen weiteres Graben zeigte also, dass ein Anbieter auf unserem Scannersystem (?) Anfänglich falsche Daten-Tags eingerichtet hatte |
| |
für unsere überwachten Durchflussraten. Wo wir dachten, wir würden tatsächlich den Salpetersäureverbrauch überwachen, waren wir es tatsächlich nicht. Wir wurden falsch informiert. So |
| |
Wir hätten wirklich tief gehen und tief graben und unseren Prozess verstehen können und was ihn antreibt, aber sehr einfache Balkendiagramme zentrieren oft die richtige Richtung und wir konnten genau verstehen, was wirklich in unserem Geschäft vor sich ging. |
| |
Und unsere Verwendung von Balkendiagrammen im Geschäft und, wenn ich ehrlich bin, ist dies wahrscheinlich eine meiner Lieblingsanwendungen der Balkendiagramme im Geschäft, weil es so einfach ist. |
| |
Aber es zeigt ... es zeigt vier verschiedene Dimensionen von Ausfallzeiten auf einer Seite, sehr einfach und sehr benutzerfreundlich und intuitiv zu bedienen und zu lesen, denke ich auch. |
| |
Was wir hier haben, ist die Anzahl der Ausfallzeiten, die in einer Käserei pro Monat überwacht werden. Sie sehen hier also die Ausfallzeit von Minuten auf der Y-Achse |
| |
für jeden der sechs verschiedenen Bereiche innerhalb der Käserei, für jeden der sechs Monate April, Mai, Juni, Juli usw. bis September in absteigender Reihenfolge, in zeitlicher Reihenfolge, denke ich wirklich |
| |
für jede der Schichten A, B, C und D. Nun wird Ihnen vielleicht vergeben, dass die Daten erfunden wurden, weil die Anzahl der Minuten so gering ist, aber es ist wirklich wichtig von a |
| |
Käseherstellung Perspektive, dass die Anlage nicht aufhört. Das sind also reelle Zahlen. Ich meine, wir überwachen Ausfallzeiten in Minuten pro Monat. |
| |
Wenn der Prozess stoppt, ändert sich der pH-Wert des Produkts und dies kann sich nachteilig auswirken |
| |
Der endgültige Verkaufspreis und die Qualität des Produkts sind ebenfalls wichtig. Daher ist es wichtig, dass wir nicht aufhören. |
| |
Dies ist also das Niveau, auf dem wir uns aus Sicht der Wartung befinden. Wir haben nur wenige Minuten Zeit und sehen hier deutlich, dass es nicht zu viele Probleme mit BetaVac gibt, aber für die Blockformer sehen wir Probleme mit den Schichten C und D. |
| |
mit mehr Problemen hier für C auf Blockmaster. In diesem Bereich der Förderer springen wieder C heraus und wieder für die Zwickel C und D. |
| |
Und vielleicht noch mehr Probleme mit C und D hier. Was wir aus dieser Analyse herausholen können, war, dass Schicht C und D aus Wartungssicht ein wenig Probleme haben und etwas mehr Unterstützung benötigen. |
| |
Besonders gut gefällt uns die dynamische Verknüpfung |
| |
Element von JMP auch für die Datenexploration. Und in diesem Fall sollte ich darauf hinweisen, dass wir viele Labore im Geschäft haben, also haben wir mikrobiologische, chemische, ??? Labore, |
| |
und wir testen Milch und Käse und Wasser sowie in Bearbeitung und Fertigprodukt und wir testen eine Vielzahl von Elementen des Geschäfts. |
| |
Und diese interaktive Verknüpfungsfunktion, die, wie Sie hier sehen können, in ein interaktives HTML umgewandelt wurde, |
| |
wurde verwendet, damit verschiedene Personen im gesamten Unternehmen ein Repository erstellen und es dann anzeigen und damit interagieren können. |
| |
Wir versuchen hier also, ein Repository zu erstellen, in dem Probleme innerhalb des Unternehmens auftreten. In diesem Fall hebe ich Block hervor ... Entschuldigung, ich zeige blockierte Rohre und Verdampfer-KVP und Stromausfall. |
| |
Wenn Sie auf Stromausfall klicken, werden die schattierten Bereiche der grünen Balken hervorgehoben. In diesem Fall sehen Sie einen Stromausfall, einer oder mehrere sind im August passiert. |
| |
Es wirkte sich hier auf diese Verarbeitungsstufen aus, und insbesondere der Mikroorganismus, der bei diesen Prozessen am meisten beobachtet wurde, war Strep. |
| |
Der Wert hier ist also, dass, wenn wir diesem Repository weiterhin Probleme aus einer Faktorperspektive hinzufügen, dies möglich sein wird |
| |
Schauen Sie in die Zukunft, um die Risiken für das Unternehmen zu erkennen, wenn etwas passiert. Wenn wir also das nächste Mal einen Stromausfall haben, wissen wir, dass wir möglicherweise die Anzahl der Tests in dieser Phase oder in diesem Prozess erhöhen müssen, da ein höheres Risiko für Strep besteht. |
| |
Manchmal kommt man an einen Punkt, an dem man so viele Bars hat, dass man Saisonalität und Glätte kennt |
| |
Linien auch, um mehr Sichtbarkeit hinzuzufügen. Dies ist eine Herausforderung, die wir im Geschäft haben und auf die ich später noch eingehen werde. Sie ist das saisonale Element des Geschäfts. |
| |
Und wir sind sehr, weil die Kühe das Gras fressen und das Gras verwendet wird, dann offensichtlich, um letztendlich die Milch zu machen, und weil in Irland das Wetter so unzuverlässig ist. |
| |
Es kann an einem Tag regnen und am nächsten schneien und am nächsten Tag Sonnenschein, also aus saisonaler Sicht, wobei jede der Balkenfarben hier verwendet wird, um ein anderes Jahr darzustellen, also 2015, 16, 17, 18. |
| |
Und es sind auch nur die Wochenenden, sollte ich hinzufügen, und es geht darum, die gesamten Wochenendbestellungen in der Mitte nach einem Grün zu durchsuchen. |
| |
Sie können sehen, dass die Jahre 2016 und 17 insofern etwas ähnlich sind, als sie diese m-Form haben, während 2018 hier sehr, sehr unterschiedlich ist. |
| |
Als Beispiel hier werfen wir alle Schneebälle aufeinander und sechs Wochen später gab es eine Hitzewelle mit einem Wasserschlauchverbot. |
| |
Es ist sehr, sehr schwierig, Saisonalitätsdaten zu verwenden, die innerhalb des Unternehmens effektiv wetterabhängig sind, aber das ist eine der Herausforderungen, die wir zu bewältigen versuchen. |
| |
Aus Trendgründen ... verwenden wir JMP entsprechend der Trendperspektive auch für nicht projektgesteuerte Explorationen. Hier ist ein Beispiel für 2.800 Milchlieferanten im Durchschnitt von monatlich |
| |
Sowohl Protein- als auch Fettergebnisse kommen über einen Zeitraum von zwei Jahren ins Geschäft. Jedes Häkchen hier repräsentiert also, in diesem Fall 2018 September, 2018 Oktober und so weiter. |
| |
Es zeigt also die Variationsbreite, die sowohl innerhalb als auch zwischen unseren Lieferanten besteht. Und was nützlich ist, ist, dass wir uns einordnen können, und wir können insbesondere für diesen Kerl sagen, als Beispiel, warum ist dieser Kerl so hoch? |
| |
Und er ist konstant fett- und proteinreich und gibt es etwas, das wir von diesem Lieferanten lernen können, das wir vielleicht zu anderen Lieferanten bringen können? |
| |
Oder gibt es umgekehrt andere Lieferanten am unteren Ende |
| |
Das könnte etwas Unterstützung und Hilfe von unseren Milchberatern gebrauchen, da sie durchweg nicht in der Lage sind, ihr Protein und ihren Fettgehalt in ihre Milch aufzunehmen |
| |
hoch. Diese sind wichtig, weil dies die Parameter sind, für die die Landwirte bezahlt werden, der Eiweiß- und Fettgehalt. |
| |
In diesem Fall stellte sich heraus, dass gerade dieser Typ einer der wenigen Milchlieferanten war, der nur einmal am Tag melkt. |
| |
Das bedeutet, dass sein Fett- und Eiweißgehalt tatsächlich höher ist als bei allen anderen, aber er hat weniger Volumen, um Dairygold zurückzugeben, aber das ist seine Wahl. |
| |
parallele Diagramme. |
| |
Und dies sind meine aktuellen Favoriten, weil ich denke, dass sie gleichzeitig so viele Informationen auf einer Seite für so viele verschiedene Parameter anzeigen. |
| |
Dies ist ein Problem, das derzeit tatsächlich auftritt. Es ist also buchstäblich druckfrisch und das Problem wurde noch nicht einmal gelöst. |
| |
Was wir hier sehen, ist ... es bezieht sich auf intermittierende Pulverblockaden auf Wirbelschichttrocknern und Zyklonen, |
| |
was im Grunde bedeutet, dass Pulver die Trockner und die Zyklone blockiert. Und wir nennen diese Drosseln OK, also ist die Ausrüstung verstopft und wir müssen die Ausrüstung anhalten und sie reinigen. |
| |
Was wir hier also tatsächlich sehen, ist |
| |
30 verschiedene Parameter, alle gemessen an ... alle hier auf der X-Achse angezeigt. |
| |
Und jede der von links nach rechts verlaufenden Linien repräsentiert eine Minute Zeit für die Einstellungen jedes dieser 30 Parameter. Das Rot zeigt die |
| |
Minuten, die in der Stunde vor dem Choke auftreten. Dies sind also die Pegeleinstellungen, wenn Sie möchten, für 60 |
| |
Vorkommen ... 60 Minuten bevor eine Drossel auftritt, und diese rote Gruppe repräsentiert hier neun verschiedene Drosselvorkommen. |
| |
Okay, hier oben gibt es also nicht 540 Stränge, also ist dies effektiv der Fingerabdruck dessen, was passiert, kurz bevor eine Drossel auftritt. |
| |
Und wenn ... wir versuchen, dies mit typischen normalen Betriebsszenarien aus Sicht der Maschinenparameter zu vergleichen. |
| |
Und es ist wirklich gut, denn Sie können sehen, wie sie sich vergleichen, und noch besser, wenn Sie sie auch übereinander legen können, und ich habe ... die No-Choke ist im Hintergrund gespenstisch. Interessant ist nun, dass wir tatsächlich sehen können |
| |
Wie unterscheidet sich das Choke-Szenario vom No-Choke und versteht, was passiert. Eine Frage, die derzeit untersucht wird, lautet beispielsweise: |
| |
Sie wissen, wir scheinen niedrigere Werte zu haben, was auch immer das ist ... Differenzdruck. |
| |
Und zum größten Teil, wenn wir eine Drossel bekommen, ist dies ein potenzieller Faktor, auf den wir achten sollten? Ist das etwas, das es verursacht? Weil typischer Auftragsbetrieb |
| |
Auch hier sind die Parameter hoch, wenn die Dinge für den Differenzdruck gut sind. Also nochmal nur ein Beispiel. |
| |
Mithilfe von GPS-Daten können Sie Muster und Trends beim Lieferantenstandort visualisieren. Wir betrachten hier also die Proteinspiegel im Dezember und in der gesamten Region Münster, in der sich alle unsere Lieferanten befinden. Und jeder Punkt hier repräsentiert einen Lieferantenstandort innerhalb des Geschäfts. |
| |
Und die Größe des Punkts entspricht der Milchmenge, die der Lieferant Dairygold zur Verfügung stellt. Je größer der Punkt bedeutet, desto größer ist die Farm tatsächlich. |
| |
Und hier gibt es eine divergierende Skala, in der wir erwarten, dass das Volumen ... Entschuldigung, dass die Proteinspiegel 3,5 betragen sollten, also sind wir weniger daran interessiert und das ist grau schattiert. |
| |
Aber alles, was größer als 3,5 ist, ist in Grün, also ist das ... sie sind die Leute, die wirklich gut abschneiden, und in Rot sind die Lieferanten, die es vielleicht sind, |
| |
Entschuldigung, die haben vielleicht ein bisschen Probleme, ihren Proteinspiegel zu erhöhen. Hier können wir also unsere eigenen Daten verwenden, um herauszufinden, ob es Lieferanten gibt, die möglicherweise Unterstützung von unseren Milchberatern benötigen, und wir können ihnen auch helfen, was sehr nützlich ist. |
| |
Wenn wir uns an das geografische Element halten, konnten wir auch einige uralte Mythen ins Bett bringen. Das sind also die |
| |
Diskussionen, die am Wasserkühler stattfinden könnten, wobei jemand sagen würde, dass dieses Ding, NPN, definitiv geografisch betroffen ist. |
| |
NPN ist schwer zu erklären, daher werde ich hier die Analogie eines Pints verwenden, eines Pints Bier, wenn Sie möchten. Es ist eigentlich eher ein Glas, denke ich wirklich. |
| |
Wie jeder weiß, enthält Milch Eiweiß, Fett, Laktose, Mineralien und Vitamine. Das sind gute Dinge. |
| |
Und, aber es gibt noch viele andere Dinge, und wenn wir nur Protein als Ganzes betrachten, können Sie das ganze Bier als Protein betrachten, das wir von den Bauern in die Milch bekommen. |
| |
Aber dieses Protein kann in das wahre Protein zerlegt werden, das im Grunde genommen der flüssige Teil des Getränks hier ist. |
| |
Und genau dieses Bit können wir tatsächlich in unserem Herstellungsprozess verwenden. Der Kopf des Pints, das schaumige Stück hier, ist das andere Zeug, also der Harnstoff und die Harnsäure und so weiter. |
| |
Während wir unsere Lieferanten für das gesamte Protein bezahlen, können wir leider nicht das gesamte Protein in unserem Prozess verwenden, so dass wir dieses Stück nur hier verwenden können, das echte Stück oder wie das wahre Protein. |
| |
Je nach Prozess kann es also vorkommen, dass zu jeder Jahreszeit höhere oder niedrigere NPN-Werte, kein Proteinstickstoff, vorhanden sind. |
| |
Dann ist es möglicherweise am besten, das Produkt an eine bestimmte Site zu leiten |
| |
Jetzt über einen anderen Standort, damit wir vielleicht strategisch vorgehen können. Und die Frage war schon immer, ich wette, dass die geografische Lage zu einer bestimmten Jahreszeit die Stickstoffkonzentration ohne Protein beeinflusst |
| |
die geografischen Standorte. Und was Sie hier sehen, sind Daten, die von 284.000 Datenpunkten stammen, also 284.000 NPN-Messungen. |
| |
Nicht-Protein-Stickstoff über ein ganzes Jahr in sechs verschiedenen Regionen in Münster in Südirland. |
| |
Und die Linien hier repräsentieren die Mittelwerte und den Mittelwertunterschied, der von Monat zu Monat besteht, aber auch die Mittelwerte, die sich von Region zu Region farblich unterscheiden. |
| |
Die Box-Plots hier stellen das Ausmaß der Variation dar, die innerhalb und zwischen den einzelnen Regionen besteht, sodass Sie deutlich sehen können, dass die Durchschnittswerte folgen |
| |
zusammen gut miteinander für jede Region und auch immer dann, wenn sich das Ausmaß der Variation verringert, |
| |
Nehmen wir an, im Juli scheint sich dies in allen Regionen zu verringern, mit Ausnahme einer geringfügigen Anomalie bei Tipperary in diesem Fall. |
| |
Aber zum größten Teil, wenn die Variation auch in einer Region zunimmt, nimmt sie in allen Regionen zu. |
| |
Wir können also nicht länger ... wir müssen nicht länger über das Potenzial dieses und jenes sprechen. Auch mit unseren Daten können wir Theorien sehr schnell beweisen und widerlegen. |
| |
Alle fünf Jahre senden wir die Midline-Volkszählung (?) An unsere Mix-Lieferanten. Dies hilft uns, die zukünftigen Volumenabsichten und Herausforderungen zu verstehen, die Lieferanten auf ihrer Farm haben könnten. |
| |
Und es gibt einen Hinweis auf die Stimmung sowohl aus geschäftlicher als auch aus investitionspolitischer Sicht unserer Mitglieder. |
| |
Vor kurzem haben wir über 100 Fragen an jeden unserer 2.800 Lieferanten gesendet. In diesem Fall haben wir uns die Frage gestellt, was die wachstumsbeschränkenden Faktoren in Ihrem Betrieb sind. |
| |
Und den Menschen wurden neun Optionen gegeben, also in diesem Fall Faktor eins bis neun. Also wurden sie gebeten, in der Reihenfolge der größten oder geringsten Bedeutung zu ordnen, also von eins bis neun, die Faktoren, die ihnen präsentiert wurden. Wie Sie sich vorstellen können, erhalten Sie 2.800 Ergebnisse zurück |
| |
von jedem Lieferanten, aber jedes Ergebnis hat eine Punktzahl von eins bis neun und einige von ihnen haben nicht immer eine bis neun Punkte erzielt, sie haben möglicherweise nur ihre Top 3 erreicht, andere vielleicht ihre Top 5 oder Top 7 oder was auch immer. |
| |
Die Frage ist also, wie Sie all diese Daten am besten in einem klaren Bild darstellen können, das die gesamte in Dairygold gemeldete Bauerngemeinschaft darstellt, wenn Sie möchten. |
| |
Und die Ergebnisse sind ... also ist die Antwort hier einfach ein Mosaikplot. Sie können hier hoffentlich sehr deutlich sehen, dass 48,8% der Befragten unserer Lieferanten Faktor 4 als den bedeutendsten eingestuft haben |
| |
begrenzender Faktor für die Expansion in ihren Betrieben. Darauf folgt Faktor 5, bei dem 19% als bedeutendste Nummer 1 und 23% als Nummer eins stimmten |
| |
als Nummer zwei. Sie können wieder die Faktoren sehen, die für die Landwirte am wichtigsten sind, wenn wir von links nach rechts gehen. |
| |
Daher ist Farbe hier wirklich wichtig, und ich verfolge dieses Team hier mit geschichteten Wärmekarten für einen ganz anderen Teil |
| |
Einzelhandelsbestellungen. In diesem Fall sehen wir uns also die Anzahl der Bestellungen an, die nur am Wochenende nach Tageszeit aufgegeben werden |
| |
für die Einspeisung in unsere Geschäfte. Dies gilt also für Freitag, Samstag und Sonntag für jedes der vier verschiedenen Jahre 2015 bis 2018. |
| |
Und für die Tageszeit, zu der die Bestellungen eingehen. Jetzt können Bestellungen von Landwirten über Apps und ... oder gesendet werden |
| |
Sie können in der Reihenfolge klingeln. Aber Sie können hier freitags deutlich sehen, wissen Sie, wann das erste Mal |
| |
Die Kühe werden gemolken, einige Bauern gehen aus und um fünf Uhr morgens sagen sie, okay, ich brauche mehr Futter. Ich werde hier automatisch eine Bestellung in der App aufgeben. |
| |
Und wieder könnte es wieder passieren, vielleicht um 12 Uhr oder so und es hängt von der Melkzeit der Herde ab und so weiter. Aber der Wert hier ist, dass wir können |
| |
Verstehen Sie, was die geschäftigsten Zeiten des Wochenendes für den Eingang von Bestellungen sind und wann Bestellungen bearbeitet werden müssen, und es kann uns ermöglichen, zu verstehen |
| |
Wie man am besten über das Wochenende hinweg einen effektiven Personalbestand hat, macht es keinen Sinn, an einem Sonntag die gleiche Anzahl von Mitarbeitern zu haben wie am Freitag. Maaybe mehr |
| |
Ttme sollte konzentriert ausgegeben werden ... und mehr Mitarbeiter sollten sich darauf konzentrieren, Bestellungen an einem Freitag und möglicherweise auch am frühen Samstagmorgen zu erhalten. In unseren Filialen war der Personalbestand also viel effektiver. |
| |
Auch hier halten wir uns an das Thema Farbe und, wie wir wissen, an ausgefallene Analysen, aber wie Sie bemerken, werden wir in Kürze dort sein. |
| |
Aber bleiben Sie beim Thema Farbe, und was Sie hier sehen, ist die Ausgabe, in der wir ein großes Käsebett grafisch dargestellt haben. |
| |
Wenn ich also groß sage, ist es wahrscheinlich 25 Meter lang und wahrscheinlich zwei Meter breit. Zu diesem Zeitpunkt wurde der gesamte Quark von der Molke abgelassen, und dann wird dieses Käsebett zerquetscht und in 70 Streifen geschnitten. |
| |
Und dann werden die Streifen in fünf Blöcke geschnitten und dann haben wir die Höhe der Blöcke links, in der Mitte und auf der rechten Seite gemessen. |
| |
Wir versuchen also, die Höhe des Käsebettes für diese große, riesige Käseplatte zu messen. |
| |
Und sobald wir dazu in der Lage waren, konnten wir uns ein wirklich gutes Bild davon machen, was tatsächlich passiert, und Farbe als Richtschnur sowie die Breite in unserem Käsebett verwenden. |
| |
Das Rot bedeutet also eindeutig das Höhere, das Grüne bedeutet etwas niedriger und wir messen hier in Millimetern, also zwischen 120 und 155 Millimetern. |
| |
Hier können Sie deutlich sehen, dass es von links oben etwas bergauf geht |
| |
Seite, wo die Höhen höher sind, nach links und auch nach links unten, wo das Bett tatsächlich herunterfällt. |
| |
Das ist wirklich wichtig für uns, denn aus Sicht der Variabilität versuchen wir zu verstehen, ob es einen anderen gibt ... warum gibt es einen Unterschied in den Blöcken ... |
| |
im Gewicht der Blöcke, die zu unserem Prozess gehen? Dies deutet ziemlich genau auf einen der Gründe hin. Und einer der Gründe ist, dass, wenn die Höhe der Blöcke unterschiedlich sein wird, |
| |
dann würde die Logik vorschreiben, dass das Gewicht der Blöcke auch unterschiedlich sein wird, wenn der Käse mit der gleichen Kraft auf das gleiche komprimiert wurde. |
| |
Daher ist es für die Menschen wieder einfacher, dies in Bildern zu verstehen, insbesondere wenn sie sich mit der analytischen Seite des Geschäfts nicht sehr gut auskennen. |
| |
Ich gehe davon aus, dass wir uns mehr mit der Analyse befasst haben. |
| |
Sie wissen, suchen nach Möglichkeiten und überprüfen Verbesserungen. Hier betrachten wir den Kohlendioxidverbrauch und wir verwenden Kohlendioxid vor Ort in unseren Produkten und insbesondere in unseren Pulvern. |
| |
wenn wir Pulver abpacken, um die Haltbarkeit von Produkten zu verlängern, was in der Industrie Standard ist. |
| |
Also stoßen wir die Luft aus und fügen Kohlendioxid hinzu, wenn wir die Beutel füllen und, aber Sie können das hier sehen, und dann verschließen wir die Beutel, aber Sie können hier sehen, wir hatten viele Variationen, insbesondere im Jahr 2017. |
| |
Und wir konnten diesen Prozess unter Kontrolle bringen und sicherstellen, dass das Leben bis 2018 sehr, sehr anders war und |
| |
wo unser mittlerer Verbrauch von Kohlendioxid erheblich reduziert wird. Wir haben hier noch einige Herausforderungen und vielleicht sogar ein Muster, das eine Untersuchung rechtfertigt, aber |
| |
Es gibt auch Vorteile für diese Art von Dingen, denn solange ... wir unseren Prozess nicht nur unter Kontrolle haben und statistisch nachweisen konnten, können wir auch einige davon erstellen |
| |
Studien zur effektiven Beurteilung der Absorptionsrate des Kohlendioxids in unseren Pulvern. |
| |
Also, und das ist wirklich wichtig, denn wenn wir verstehen können, wie unser Produkt das Kohlendioxid absorbiert, dann führt dies zu anderen Vorteilen, also zu einem |
| |
Wenn das Fett das Kohlendioxid in einem Beutel absorbiert, erzeugt es in diesem versiegelten Beutel ein Vakuum. Wenn es also ein Vakuum erzeugt |
| |
Der Beutel beginnt sich um das Pulver zu versiegeln und macht den Beutel mit dem Pulver viel steifer. |
| |
Aus Sicht der Lieferkette reduziert dies die Risiken und erleichtert das Leben, wenn wir diese Säcke auf Paletten für Transport und Versand stapeln können, weil. |
| |
Jetzt stapeln wir Betonblöcke, anstatt zu versuchen, Kissen zu stapeln, die weich und flauschig und flexibel sind. Es gibt also überall Gewinn, Gewinn. Wir haben |
| |
verwendet und ich bin definitiv kein Programmierer, aber wir haben definitiv Kontakt aufgenommen und viel Hilfe von der irischen Benutzergruppe bekommen |
| |
und an die JMP Community ... Und eigentlich, wissen Sie was, werde ich insbesondere auf Troy Hickey von Intel hinweisen, der uns aus der irischen Benutzergruppe sehr geholfen hat. |
| |
In der JMP-Community ist es großartig, wenn Sie in einem Bereich, in dem Sie vielleicht nach Klarheit suchen, eine Frage stellen |
| |
oder vielleicht ein Bereich, von dem Sie nichts wissen, und um die Antwort von Leuten zurückzubekommen, von denen Sie noch nie gehört haben, eine Expertenantwort sowie eine ausgezeichnete. |
| |
In diesem Fall konnten wir hier Code mit JSL erstellen und dieses Diagramm und das Kontrolldiagramm erstellen |
| |
Format, wenn Sie möchten, das in Registerkartenformat ist. In diesem Fall also für Magermilchpulver, Vollmilchpulver, demineralisiertes Molkenpulver und Kasein zur Proteinmessung |
| |
Tests in unseren Labors. Wir haben derzeit etwa 30 verschiedene Tests, die wir überwachen, und wir überwachen den Unterschied zwischen Standards und Naßchemie |
| |
auf täglicher Basis, und auch der Unterschied, der zwischen manuellen Methoden und nahen Infrarot-Methoden besteht, so die automatisierten Methoden. |
| |
Und wir möchten als Beispiel sicherstellen, dass wir, wenn wir uns Standards für die Naßchemie ansehen, ein Ziel von Null anstreben. Wir möchten nicht, dass es einen Unterschied zwischen den Ergebnissen, die wir in einem Labor testen, und den Ergebnissen gibt |
| |
Standard sagt, es sollte sein. Wir wollen also ein Ziel von Null und dies zeigt uns, dass in diesem Fall wo draußen ist |
| |
Protein, auf demineralisiertem Molkepulver sind wir leicht unterwegs; Wir sind .04 und wir können das Profil unseres Prozesses verfolgen und wir können bekommen |
| |
der Prozess, der uns darauf hinweist, dass eine Prozessverschiebung stattgefunden hat. Also neun Daten ... in diesem Fall mindestens neun Datenpunkte hintereinander über dem Mittelwert. |
| |
Und wir wissen also, dass wir den Prozess stoppen und nicht mehr weitermachen müssen, weil wir etwas untersuchen und einrichten müssen, um das Problem zu beheben ... in diesem Fall die Prozessverschiebung. |
| |
Das war sehr positiv für uns und wir befinden uns in einem Stadium, in dem wir dieses Setup jetzt haben und es jeden Tag läuft, und obwohl es das gibt, |
| |
Sie wissen, Hunderte und Hunderte von Hunderten, Tausenden, selbst an diesem Punkt von Datenpunkten ist das Skript so eingerichtet, dass es nur die letzten 42 Datenpunkte anzeigt, die jeweils die letzte Woche von Daten sind, obwohl das Kontrollgrenzen sind auf eingestellt |
| |
basierend auf vorherigen Daten im Prozess. Also wirklich gut, hier die JMP Community zu erreichen. Bezüglich |
| |
Die Lkw-Ankunftszeiten im Geschäft. In diesem Fall kommen also von Mitternacht bis Mitternacht 54.000 Tanker an vier verschiedenen Standorten an. |
| |
Und es ist wirklich gut, uns einen Eindruck von den verschiedenen Distributionen zu geben, die es gibt, von der Lieferzeit bis zu den Websites. Und das ist wichtig für uns, weil wir nicht wollen ... wir wollen, dass ein Tanker auf die Baustelle kommt |
| |
und entladen Sie die Milch und verlassen Sie die Baustelle so schnell wie möglich. Wir wollen nicht den Fall haben, wo wir haben |
| |
viel Bündel und vielleicht an einem Ort, den Sie hier in einem Szenario haben könnten, in dem Sie Lastwagen hinter anderen Lastwagen aufgereiht haben. Wir möchten, dass es während des gesamten Prozesses ein schöner Ablauf ist. |
| |
Und hier können Sie als Beispiel sehen, acht Uhr morgens bis neun Uhr, |
| |
Dort sind die Leute wahrscheinlich zum Frühstück weg. Unser Verkehr ist stärker und es wird nicht so viel auf die Standorte geliefert, und auch hier ist der Verkehr abends stärker |
| |
und Lastwagen werden aufgehalten oder sie sind weg für ... die Fahrer sind zum Abendessen weg und so weiter. Wir können uns also etwas tiefer damit befassen und für jeden der verschiedenen Standorte "OK" sagen, also zwei Standorte, in diesem Fall Clonmel Road und Castlefarm. |
| |
für die ankommenden Straßen, und diese Orte sind wirklich nahe beieinander, für die Straßen, die in nördlicher, südlicher, östlicher und westlicher Richtung ankommen, |
| |
Wie sieht es aus und haben wir eine klare Verteilung auf die Daten, die wir wollen oder |
| |
Gibt es zum Beispiel einige Spediteure, die nicht innerhalb von 24 Stunden aus dem Osten liefern? Und wir können verstehen, was los ist, und wir können diese Informationen auch nehmen, |
| |
und sagen wir, okay, von einer Pumpenentladungsrate, weil wir in diesem Fall zwei Standorte haben, an denen 11 Pumpen entladen werden |
| |
über eine halbe Milliarde Liter an zwei Standorten pro Jahr. |
| |
Und wir wollen versuchen zu verstehen, welche Pumpen mehr oder weniger effizient sind als andere. Und klar können wir hier sehen, dass es vier Pumpen gibt, die eine höhere Abladerate haben, |
| |
So können sie in der gleichen Zeit schneller und mehr Milch pumpen als einige der anderen Pumpen. Und das können Sie hier sehen |
| |
An Standort 2 ist Pumpe Nummer drei die Pumpe, die am effizientesten ist, während Pumpe 4 und Pumpe 3 insgesamt die am wenigsten effizienten Pumpen sind. Wenn wir also eine Wartungsüberholung durchführen würden, würden wir wissen, dass dies die Pumpen sind, die zuerst überholt werden müssen. |
| |
Wir verwenden JMP, um Messsysteme auf Exzellenz und Chancen zu bewerten, und wir tun dies, wissen Sie, |
| |
so oft kann ich nicht einmal mehr den Überblick behalten. In diesem Fall, wenn man sich Orthophosphate (?) Betrachtet, und Sie wissen, es ist ein Standard-Messgerät R & R und es ist wirklich gut, die Ergebnisse. Also da |
| |
19 Anzahl unterschiedlicher Kategorien; 19 ist exzellent und Gauge R & R ist .5, also ist weniger als 10 ideal und es bedeutet nur, dass Sie wissen, dass wir wirklich gut sind |
| |
Messsysteme vorhanden, die durchweg zuverlässig sind. Und unabhängig davon, welchen Teil Sie einem Analysten übergeben werden, werden sie zurückkommen und Ihnen das gleiche Ergebnis liefern. |
| |
Die Person, die den Test durchführt, hat also keinen Einfluss auf die Testergebnisse, was Sie immer sehen möchten. |
| |
Manchmal können wir subjektive Messsysteme haben und wir müssen auch eine Attributvereinbarungsanalyse durchführen. |
| |
In diesem Fall sehen wir uns also an, wie Sie visuelle Bewertungen von verpackten Produkten kennen, und Sie können nach etwas wie Rundheit oder beschädigten Kanten oder der Prägung suchen |
| |
Lesbarkeit und so weiter. Nachdem Verbesserungen vorgenommen wurden, können Sie hier sehen, dass wir innerhalb der Gutachter zu 90 bis 95% einverstanden sind. |
| |
Insgesamt sehen Sie, dass der Übereinstimmungsgrad 82% in Bezug auf die Anzahl der übereinstimmenden und vereinbarten Teile beträgt |
| |
innerhalb jedes ... innerhalb und zwischen jedem Bediener, aber wahrscheinlich noch wichtiger, ist die Effektivität, dh die Ausrichtung auf den Standard. |
| |
Und wir können hier später sehen, dass die Übereinstimmung mit dem Standard jetzt 96% beträgt, also ist es wirklich gut. Und wieder wissen Sie, dass wir sicherstellen können, dass unsere Produkte auch dann zuverlässig bewertet werden, wenn sie subjektiv sind. |
| |
Wir können natürlich auch Experimente entwerfen, um die Wirkung verschiedener Faktoren zu quantifizieren. In diesem Fall handelt es sich also um den WPNI, bei dem es sich um den Molkeprotein-Stickstoffindex handelt. |
| |
Die Denaturierung von Proteinen in unserem Produkt ist also ein Hinweis auf den Grad der Wärmebehandlung, den das Produkt erhalten hat, und das kann sein: |
| |
Entschuldigung, das kann sehr wichtig sein, da der Grad der Wärmebehandlung die Anwendung von beeinflussen kann |
| |
aus Kundensicht. Wenn also beispielsweise die falsche Wärmebehandlung angewendet wurde, kann dies bedeuten, dass ein Kunde, der unser Produkt verwenden möchte, möglicherweise Joghurt herstellt. |
| |
dann wäre das Produkt nicht geeignet, weil es vielleicht ein körniges Gefühl, ein körniges Mundgefühl oder so etwas hinterlassen könnte, also ist das nicht für ein Produkt wie Joghurt geeignet. |
| |
Wir hatten also Probleme mit inkonsistenten Ergebnissen des Molkeprotein-Stickstoffindex, und es gab einige Unklarheiten in unserem Verfahren. |
| |
, dass es offen für Interpretationen war. Man könnte also sagen, Sie wissen, schütteln Sie etwas, |
| |
Schütteln Sie dieses Fläschchen, wissen Sie, es könnte nur sagen, schütteln Sie es, und jemand könnte sagen, ja, ich schüttle es fünf Sekunden lang, jemand anderes könnte sagen, ich habe es nur zehnmal umgedreht, und jemand anderes würde sagen, ja, ich schüttle heftig für 30 Sekunden. |
| |
Jeder folgte mit den besten Absichten dem Verfahren, aber wenn das Verfahren nicht eindeutig ist, kann es interpretiert werden, und dies kann auch zu Inkonsistenzen führen. |
| |
Wir versuchen also, Designversuche durchzuführen, um die Faktoren zu verstehen, die die Variation in unserem Prozess beeinflussen können. |
| |
Hier haben wir also die Natriumchloridlösung, also nur Salzwasserlösung, die mit einem Startstab und ohne Startstab hergestellt wurde. |
| |
Die Dauer an einem heißen Ort beträgt 45 oder 60 Minuten und dann verwenden wir diese Lösung hier für, und dieser kleine Testplan hier, wir waren ... Wasserbadtemperatur ist 37 und 40 Grad, dies ist eine der vier Lösungen hier oben farbcodiert. |
| |
Und dann haben wir Wasserbad-Schüttelintervalle und die Anzahl der Tropfen, von denen ich glaube, dass auch Salzsäure verwendet wurde. |
| |
Und wieder können wir den interaktiven Explorer verwenden, um zu sehen, was mit dem Prozess los ist, wenn wir niedrige WPNI-Ergebnisse haben. Ein bisschen |
| |
Es ist schwieriger zu verstehen, was hier vor sich geht. Daher müssen wir natürlich noch ein bisschen weiter gehen und anfangen, einige Modelle zu bauen und zu verstehen, was vor sich geht. |
| |
Die Modelle sind hier ziemlich gut in Bezug auf die Stärken, von denen wir sprechen, das R-Quadrat liegt bei nur etwa 68%. |
| |
Und wir können sofort sehen, dass die Haupteffekte hier der größte Haupteffekt die Wasserbadtemperatur sind, gefolgt von der Dauer des Rührstabs und dem Wechselwirkungseffekt der Heizplatte. |
| |
Und wir können auch den Effekt sehen, welcher Parameter zieht ... welcher Effekt zieht |
| |
der Prozess in welche Richtung auch. Und wir haben auch hier unten den wertvollen Vorhersageprofiler. Wir können erkunden, was los ist. |
| |
Was mir gefällt und dass Sie die Ausgabe verwenden können, manchmal, nun, ich verwende die Ausgabe manchmal aus einigen dieser Experimente, um ... aus pädagogischer Sicht. |
| |
Ich habe vorhin darüber gesprochen, dass Rührstab und Dauer auf der Kochplatte ein wichtiger Faktor sind, und dies ist ein Interaktionseffekt. In diesem Fall hängt der Effekt eines Faktors von der Pegeleinstellung eines anderen ab. |
| |
Aber Sie können versuchen, jemandem auf einer Seite den Interaktionseffekt zu erklären. Wir haben Linien gekreuzt und gekreuzte Linien bedeuten, dass es sie gibt |
| |
Starke Interaktion, und wenn die Linien parallel sind, aber so aussehen, als würden sie sich kreuzen, ist dies eine kleine Interaktion. Oder Sie können die Daten tatsächlich nehmen und zeichnen, |
| |
und in diesem Fall haben viele Leute nicht wirklich gesehen, wie eine Interaktion mit zwei Faktoren aussieht, und so sieht eine Interaktion aus ... Interaktion sieht aus und kann als ... |
| |
auch als pädagogisches Instrument. In unserem Fall hier haben wir also ein WPNI-Ergebnis hier auf unserer y-Achse. Entschuldigung, ja, auf unserer y-Achse. |
| |
Dauer auf der Kochplatte 45 Minuten und 60 Minuten. Wenn wir also bei 45 Minuten bleiben, wo wir keinen Rührstab haben und wenn wir wechseln ... bleiben wir bei 45 Minuten und wir wechseln zu einem Rührstab, können wir sehen dass wir von diesem Level auf dieses Level gesprungen sind. |
| |
Wenn wir mit 60 Minuten gehen, sind wir ... WPNI-Level ist hier, ohne Rührstab und wir springen zu einem Rührstab, wir können sehen, wie er nach unten springt. So |
| |
Der Sprung ist hier nicht so groß wie hier, aber auf Anhieb zeigt dies, dass die Wechselwirkung zwischen Rührstab und Dauer auf der Kochplatte ziemlich groß ist. |
| |
Und genau das kommt durch, also wieder viel Prozesswissen und -verständnis. Wir können auch einige Klassifizierungswerkzeuge verwenden, also in diesem Fall Entscheidungsbäume, um zu versuchen, zu verstehen. |
| |
Dies ist also eine Anfrage von F & E in Bezug auf die Bräunung von Käse und, wie es sich auch anhört, in Bezug auf die Bräunung von Käse |
| |
in einem Ofen, wenn Hitze so wenig angewendet wird, wie auf Pizzen. Wir möchten also nicht, dass Käse zu früh brennt. Wenn es sich also um Cheddar-Käse auf einer Pizza handelt, möchten Sie nicht, dass er zu früh brennt. |
| |
Sie möchten, dass es ein bisschen Leben hat und das Rezept gekocht wird. Also nochmal, und hier ist ein Beispiel für eine Klassifizierung, sorry, einen Entscheidungsbaum, den wir uns ansehen |
| |
drei verschiedene Ebenen, wenn Sie möchten, helle, mittlere und dunkle Bräunung durch den Baum dargestellt, die Farbe ist grün, |
| |
Bernstein bzw. Rot. Und wir können sehen, dass der pH-Wert beim Laufen hier der wichtigste Faktor ist, insbesondere wenn der pH-Wert beim Laufen größer als 6,48 ist. |
| |
dann können wir sehen, dass 99,3% unseres Prozesses eine leichte Bräunung haben werden, was wir wollen. Grün ist gut, Rot ist schlecht. Ebenso wissen wir, dass wir gefährdet sind, wenn unser pH-Wert unter 6,48 liegt und wir ... |
| |
und wir nehmen unsere Proben, also wird der Käse in unserem Block, in unserem buchstäblich 20 kg schweren Block, aus einer Ecke genommen, dann wissen wir, dass wir eine 31% ige Chance haben, ihn zu bekommen |
| |
dunkle Bräunung, also wird es nicht gut sein. Also aus dieser Perspektive, und wir können sehen, dass die Größe der |
| |
Zählungen, die die Anzahl der Objekte sind, verursachen dies ebenfalls und auch in Bezug auf die Beendigung der Blattknoten im Baum. So können Sie bekommen |
| |
ein gutes Gefühl dafür, was in Ihrem Prozess vor sich geht, in Bezug auf die wichtigen Faktoren, die die Bräunungsklassifizierung in diesem Fall am besten trennen. |
| |
Und ich sage hier verdeckte Bootstrap-Gesamtstruktur, weil Sie wissen, dass ich denke, dass dies ein nicht ausgelastetes Tool in JMP ist und ... Wenn Sie verstehen, was ein Entscheidungsbaum tut und wie er funktioniert, werden Sie verstehen, dass es ein ziemlich leistungsfähiges Tool ist. |
| |
Und ich bin mir nicht sicher, ob ich ehrlich bin, ob der Algorithmus, der für Entscheidungsbäume verwendet wird, ob es sich um einen iterativen Dichotomizer handelt oder nicht |
| |
C 4.5 oder 5.0 oder was auch immer, aber ich weiß, dass das Prädiktor-Screening den Entscheidungsbaum-Algorithmus im Hintergrund verwendet und die Bootstrap-Gesamtstruktur verwendet |
| |
Probieren Sie auch mit Ersatz, um ein Bündel dieser Bäume zu erstellen und sie alle zusammenzuhalten, und geben Sie dann die durchschnittlichen Ergebnisse der Bäume, wenn Sie möchten. Also in diesem Fall darauf hinweisen, und das ist von der |
| |
Beispiel für ein paralleles Diagramm früher für die 30 verschiedenen Maschinenparameter. In diesem Fall stellen Sie fest, dass es tatsächlich 31 gibt. |
| |
Denn als ich zum Team zurückkehrte und sagte, dass dieser Düsenluftdruck etwas anderes ist, scheint er ein wichtiger Faktor zu sein, und das Prädiktorscreening sagt mir das. |
| |
Eine Hand hob sich hinten im Raum und sie sagten tatsächlich: |
| |
Von allen Parametern sollte dies wahrscheinlich nicht der Fall sein, da es sich nicht wirklich um Maschinenparameter handelt. Wir haben es einfach in uns selbst gesteckt, um zu sehen, ob irgendetwas herausspringen würde. |
| |
Und sicher ist dies derjenige, der von der Seite gesprungen ist, also musste er herausgenommen und separat bewertet werden. |
| |
In Bezug auf, und ich bin fast auch da, in Bezug auf die Präsentation, also in Bezug auf sie |
| |
Anhand von Modellen zur Vorhersage der zukünftigen Leistung bewegen wir uns hier von Erkenntnissen zu Voraussicht. |
| |
Und hier haben wir ein Modell erstellt, das mit einer Modellwirksamkeit von 76% ziemlich stark ist, basierend auf 1.438 Beobachtungen. |
| |
Die Frage war, ob wir ein Tool erstellen können, mit dem wir sowohl die Anzahl der Bestellungen vorhersagen können, die an einem beliebigen Wochentag, einer beliebigen Woche des Jahres eingehen, als auch |
| |
Sagen Sie auch die Anzahl der Bestellungen voraus, die wir erhalten würden ... Entschuldigung, sagen Sie auch die Bestellmengen voraus, die wir am selben Tag erhalten werden? |
| |
Wir konnten also alle historischen Daten verwenden und mithilfe des Vorhersageprofilers auswählen, welches Jahr aus saisonaler Sicht für das, was Sie vorhersagen möchten, am häufigsten vorkommt. |
| |
Gehen Sie dann zum entsprechenden Monat, zum gewünschten Datum und zum Wochentag und bestimmen Sie, ob es sich um einen Feiertag handelt oder nicht. |
| |
Und Sie können hier sehen, ich habe zwei verschiedene Einstellungen hier eingerichtet. Eine ist, wenn wir einen Feiertag haben, eine, wenn wir keinen haben, und Sie können sehen, dass es eine bedeutende gibt |
| |
Interaktionseffekt auch hier zwischen Feiertag und Wochentag. So können wir zum Geschäft zurückkehren |
| |
Unabhängig vom Wochentag, dem 26. Oktober 2019, der ein Donnerstag und kein Feiertagswochenende ist, werden voraussichtlich 120 Bestellungen eingehen, was ebenfalls knapp 1.100 Tonnen Produkt entspricht . |
| |
Wir haben das also an zwei Wochenenden durchgeführt, einem Wochenende, an dem wir einen Bankfeiertag hatten und keinen Bankfeiertag hatten, und es waren tatsächlich 85%, was wirklich gut ist. Obwohl das Modell 76% betrug, kam es in der Realität recht gut an. |
| |
Dann von Einsicht zu Voraussicht, wo wir wieder suchen ... versuchen, die Saisonverifizierbarkeit zu berücksichtigen, |
| |
Wir haben hier verschiedene Jahre, dargestellt durch verschiedene Farben, also 2015, 16, 17, 18 und so weiter. Und wir sehen uns eine Nummer an ... einige der Bestellungen für Futtermengen, die eingehen |
| |
das Geschäft. Jeder Punkt repräsentiert eine wöchentliche Bestellmenge und was ich hier übertrieben habe, ist, dass ich das tatsächlich vorhergesagte Modell überlagert habe, so dass der vorhergesagte Wert |
| |
jede dieser Wochen. Und Sie können sehen, wie genau das Modell in Bezug auf die tatsächliche Genauigkeit ist, also tatsächlich gegenüber vorhergesagt. |
| |
Und dann in der Lage zu sein, und wenn ich ehrlich bin, kann ich mich nicht erinnern ... es war entweder saisonale exponentielle Vorhersage oder unsere saisonale ARIMA, |
| |
saisonal ??? Metrischer gleitender Durchschnitt, um die nächsten sechs Monate zu bestimmen, wie das sein wird. |
| |
Und wieder sehr wertvoll für unser Geschäft, wo Saisonalität eine Herausforderung ist, und wir können diese Tools mit einem hohen Maß an Vertrauen verwenden, um zu verstehen, welchen Auftragsgrad wir für das Geschäft in Zukunft erwarten können. |
| |
Und zum Schluss, und ich nehme an, eine Strecke für uns, weil wir noch nie in die Zone gegangen sind, sondern in neuronale Netze. Verwenden Sie in diesem Fall neuronale Netze als Versuch, um zu verstehen, ob wir Sedimente in unserem Prozess auswerten können. Wenn wir also ADPI-Ergebnisse haben, ist dies der Fall |
| |
ein Sedimentkissen und wir betrachten eine Menge möglicherweise verbrannter Partikel, möglicherweise aus einem Trocknungsprozess oder so weiter, und wo sind wir? Ist es ein Level A, B, C oder D? |
| |
Hier repräsentiert das Siebergebnis die Anzahl der in einem Sieb zurückgebliebenen Partikel und ein Tumbler-Ergebnis T1B1 repräsentiert oben und unten. |
| |
T1 repräsentiert die Anzahl der Partikel, die auf dem Wasser schwimmen könnten, und B könnte die Anzahl der Partikel am Boden darstellen, also das Sediment, das auf den Boden gesunken ist. |
| |
Und wieder hier im neuronalen Netzwerk und mit K-facher Kreuzvalidierung, also denke ich, dass K auf 10 gesetzt wurde. Wir haben neun |
| |
Aktivierungsfunktionen auch hier, denke ich. Ja, hyperbolisch ... linear, gaußsch und ich denke auch hyperbolisch tangential. |
| |
Und wir können jedes davon verwenden |
| |
Einlassknoten auch, um in unsere Aktivierungsfunktion einzuspeisen, und dann haben wir auch hier unsere Ausgabeschicht, die uns das Endergebnis gegeben hat. Also können wir verwenden, |
| |
in diesem Fall ergeben sich 6.245 zu |
| |
Trainieren Sie unser Modell und sobald wir mit der Kreuzvalidierung validiert haben, können wir hier unsere Verwirrungsmatrix erstellen, was ebenfalls recht gut ist. Ich meine, wir haben nicht so viele Werte im A1 / A2 |
| |
bis auf B-Noten, wie wir es für A1 tun, aber es zeigt uns, dass wir eine A2-Note haben |
| |
dass wir vorausgesagt haben, dass es 35 von ihnen eine echte Zwei sein würden und nur zwei A1 sein würden. Es kann also ein Fehler auftreten, und der Fehler kann darauf zurückzuführen sein, wie das Modell war. |
| |
Sie wissen, ursprünglich erstellt von Gradern, die manuell versucht haben, den Unterschied zu bewerten, der in jedem dieser Fälle besteht, wenn und wann |
| |
In den Ergebnissen treten einige Unklarheiten auf, und dann wird versucht, einen letzten Anruf zu tätigen. Ich nehme an, die Frage hier ist, können wir eine Maschine dazu bringen, mit einem guten Maß an Genauigkeit vorherzusagen, wie dieser letzte Anruf aussehen wird? |
| |
Und wieder würden wir erwarten, dass die Wahrscheinlichkeit, dass hier oben eine Note als A1 vergeben wird, ziemlich hoch ist, wenn das Tumbler-Ergebnis T1B1 ist, kaum Floater oder Sinker |
| |
und wenn die Siebergebnisse auch in Bezug auf die Partikelmenge ziemlich niedrig wären, würden wir erwarten, dass unsere Ergebnisse hier oben für A1 vorliegen. |
| |
Die Tatsache, dass wir A1 hier sehen, könnte darauf hinweisen, dass das Modelltraining nicht ganz so effektiv war, wie es hätte sein können, und dass möglicherweise einige Fehler im Modell aufgetreten sind. |
| |
Und wieder können Sie sehen, dass hier ein sehr ... ziemlich komplexes Modell erstellt wurde |
| |
dafür, aber Sie wissen, dass es eine Art Black Box ist, wie wir alle aus der Perspektive eines neuronalen Netzwerks wissen. Aber wieder eine enorme Menge an Prozesswissen und Proof of Concept für uns, nehme ich an, wirklich, wenn wir uns dem gesamten Raum des maschinellen Lernens und der KI nähern. |
| |
Ich weiß also, dass ich viel auf Leute geschossen habe, und es war ziemlich gehetzt, und ich konnte wahrscheinlich stundenlang über die ganze Sache sprechen und mich entschuldigen ... Entschuldigung, wenn es sich gehetzt anfühlte, aber was ich sagen würde, ist nur aus abschließenden Gedanken Perspektive, |
| |
Ich denke, es wurde gezeigt, dass Sie in jeder Branche, egal in welcher Branche Sie tätig sind, auch wenn es in der Agrarindustrie gibt, die sehr weit von der typischen Datenanalyseumgebung entfernt ist |
| |
Datenanalyse, um dem Unternehmen einen erheblichen Mehrwert zu verleihen, und Sie können nahezu jeden Teil des Unternehmens erreichen und unterstützen. |
| |
Ich würde auch sagen, unterschätzen Sie nicht den Wert einer einfachen grafischen Analyse. Erst in der Mitte dieser Präsentation haben wir begonnen, einige der leistungsstärkeren Analysen vorzustellen, die in JMP und eingebettet sind |
| |
Ich finde es großartig zu wissen, wie man all die ausgefallenen Werkzeuge benutzt, und es gibt eine Zeit und einen Ort dafür, aber einfach kann auch sehr mächtig sein und den Wert nicht unterschätzen. |
| |
Ansonsten würde ich mich bei allen für das Zuhören bedanken. Ich weiß das sehr zu schätzen und wenn Sie Fragen oder Kommentare haben, sind sie jetzt mehr als willkommen. Danke. |
