nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

349204_de-DE

liliconcom

Die Datennutzung bei Dairygold: Von Balkendiagrammen zu neuronalen Netzen (2021-EU-30MP-735)

Niveau: Mittelstufe

Kieran O'Mahony, Data Science & Analytics Manager, Dairygold

In der modernen Welt wird der Einsatz von Datenanalysen typischerweise eher mit Branchen wie Finanzen, Gesundheitswesen, Pharmazie, Medizintechnik, Halbleiter, E-Commerce und dergleichen in Verbindung gebracht. Selten kommen die Wörter Landwirtschaft und Analytik im selben Satz vor. Diese Sitzung gibt einen Einblick, wie ein solches, traditionsreiches und geschichtsträchtiges Unternehmen den Einsatz von Datenanalysen angenommen und gefördert hat, um sicherzustellen, dass es nicht mehr als ein Unternehmen betrachtet werden kann, das „reich an Daten, aber arm an Informationen“ ist. In dieser Sitzung werden mehrere Beispiele gezeigt, wie der Einsatz von JMP eine datengesteuerte Entscheidungsfindung bei Dairygold ermöglicht hat.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Kieran O'Mahony	Okay, vielen Dank, mein Name ist Kieran O'Mahony und ich bin der Data Science- und Analytics-Manager für Dairygold in Irland.
	Und der Titel meiner Präsentation lautet „Milking the Data at Dairygold from Bar Charts to Neural Networks“.
	Daher denke ich, dass man mit Fug und Recht sagen kann, dass der Einsatz von Datenanalysen typischerweise eher mit Branchen wie Finanzen und Gesundheitswesen, Pharmazie, Halbleiter und dergleichen in Verbindung gebracht wird, und dass es wahrscheinlich selten vorkommt, dass die Wörter „Landwirtschaft“ und „Analytik“ im selben Satz vorkommen.
	Daher soll diese Sitzung einen Einblick darüber geben, wie ein sehr... wie ein sehr traditionelles Unternehmen den Einsatz von Analysen im gesamten Unternehmen sowohl angenommen als auch gefördert hat.
	Daher wird sich diese Sitzung wahrscheinlich von den anderen Sitzungen, die Sie möglicherweise bei Discovery sehen, in dem Sinne unterscheiden, dass ich mich hier weniger auf ein Projekt konzentrieren möchte, sondern vielmehr mehrere Beispiele dafür zeige
	Dairygold hat JMP verwendet, um unternehmensweit mehr datengesteuerte Entscheidungen zu ermöglichen, und nicht nur in der Fertigung, was meiner Meinung nach wichtig ist.
	Bevor ich anfange, ist es meiner Meinung nach wichtig, ein wenig Hintergrundinformationen zum Unternehmen zu geben, einen Überblick darüber zu geben, was wir tun.
	So ist Dairygold Irlands führende landwirtschaftliche Genossenschaft mit hochmodernen Produktionsanlagen für Käse und Nährpulver im Herzen der Golden Valleys.
	Okay, um das nur zu erklären: Als Genossenschaft bedeuten wir im Grunde ... im Grunde, dass wir im Besitz der Milchlieferanten, also der Bauern, sind.
	Wir haben also 2.800 Milchlieferanten, die uns täglich Milch liefern, und jeder einzelne von ihnen ist Anteilseigner. Das Geschäftsmodell ist insofern etwas ungewöhnlich, als die Rohstofflieferanten auch Eigentümer des Unternehmens sind.
	Der Umsatz betrug im vergangenen Jahr also 1,2 Milliarden Euro, wir beschäftigen etwa 1.200 Mitarbeiter und verarbeiten jährlich etwa 1,4 Milliarden Liter Milch, also täglich ziemlich viel Milch. In der Tat,
	Da wir ein Saisongeschäft haben, sprechen wir in der Spitzenproduktion von über 6 Millionen Litern Milch, die täglich an den Standorten ankommen.
	Wir haben auch Einzelhandelsgeschäfte, in denen Sie alles kaufen können, vom Hammer bis hin zu elektrischen Haushaltsgeräten und landwirtschaftlichen Geräten und allem dazwischen. Und wir haben auch den Agrarbereich des Geschäfts, wo wir in unseren Mühlen Tierfutter produzieren.
	Dairygold gibt es also schon seit langer Zeit, und es begann im Jahr 1908 als Ballyclough und wurde dann 1919 zu Mitchelstown und 1990 zu Dairygold.
	Und wahrscheinlich haben wir es geschafft ... nun ja, wahrscheinlich nicht ... Man kann mit Fug und Recht sagen, dass wir seit der Milchlieferung mit Pferd und Kutsche vor all den Jahren einen sehr langen Weg zurückgelegt haben.
	Es ist eine sehr traditionelle Organisation mit langer Geschichte, aber auch eine sehr fortschrittliche Organisation.
	Und wenn ich sage, dass wir einen langen Weg zurückgelegt haben, wissen Sie, dass wir jetzt eine sehr große Lieferkette mit einer Flotte von Tankern haben, und jeder Tanker,
	Ein Beispiel sehen Sie hier: Jeder Tankwagen transportiert etwa 26.000 Liter Milch und wir holen täglich Milch von unseren 2.800 Lieferanten ab. Und in diesem Sinne handelt es sich um eine sehr komplexe Lieferkette
	Wir beziehen nicht nur Milch von unseren Lieferanten, sondern auch Molke von unseren Käseverarbeitungsbetrieben, sofern wir dies nicht automatisch zuweisen
	durch ein Rohr zu einem anderen Standort. Deshalb haben wir es auch in Tankwagen gesammelt und zu anderen Standorten transportiert.
	Dasselbe machen wir auch für Magermilchkonzentrat und demineralisiertes Molkekonzentrat, die wir an andere Kunden verkaufen, und dann haben wir auch den Pulverteil und den Käseteil des Geschäfts, den wir ebenfalls vertreiben.
	Deshalb haben wir auch einige der größten Trockner (?) in Europa. Hier können Sie einen besonderen sehen, der sich über fünf oder sechs Stockwerke erstreckt.
	In den letzten fünf oder sechs Jahren hat Dairygold also über 400 Millionen in alle Werke investiert, daher ist es wichtig sicherzustellen, dass wir ...
	Wir können den Anforderungen der zukünftigen Volumenerweiterung im Milchpool(?) gerecht werden. Was die Produkte betrifft, die wir herstellen, stellen wir her
	Pulver und Käse, zum größten Teil, von Vollmilchpulver über Magermilchpulver und Proteinpulver bis hin zu vielen verschiedenen Käsesorten, insbesondere Käse und Cheddar.
	Und wir beliefern zahlreiche Branchen, von Süßwaren und Pizza über herzhafte Lebensmittel bis hin zu Joghurt und verarbeiteten Lebensmitteln und sogar Säuglingsmilchnahrung, also Babynahrung.
	Und es ist wahrscheinlich, dass Sie ... wenn Sie heute überhaupt etwas gegessen haben, besteht eine gute Chance, dass Sie auch etwas Magermilchpulver oder Vollmilchpulver zu sich genommen haben, weil es heutzutage in so vielen Lebensmittelzutaten so weit verbreitet ist.
	Das ist also der Hintergrund des Geschäfts. In Bezug auf Daten kann man meiner Meinung nach mit Recht sagen, dass es viele Unternehmen gibt, die als sehr datenreich, aber arm an Informationen gelten.
	Und man kann mit Fug und Recht auch sagen, dass je mehr Daten man hat, desto mehr Verwirrung entsteht manchmal auch.
	Und manchmal denke ich, dass man mit Fug und Recht sagen kann, dass man, selbst wenn man alle Informationen hat und ... also diese Population hat, und man hat, wissen Sie, eine Vorstellung davon, was genau ist
	Sie extrahieren müssen, um nützliche Informationen aus dem Unternehmen zu erhalten. Manchmal wissen Unternehmen nicht genau, was sie mit diesen Daten anfangen sollen.
	Und aus Sicht von Dairygold wollen wir versuchen, uns mehr von der rechten Gehirnhälfte zu entfernen, wo es, wie ich annehme, auf Annahmen und Bauchgefühl sowie Vermutungen und Intuition geht.
	und wir bewegen uns mehr in Richtung der linken Gehirnhälfte, wo der Schwerpunkt mehr auf der Nutzung von Logik und Mathematik sowie Vernunft und Naturwissenschaften liegt, aber das ist es, was wir im Unternehmen stärker nutzen und unternehmensweit mehr datengesteuerte Entscheidungen treffen wollen.
	Ich wurde einmal im Vorfeld einer Präsentation gebeten, eine Zusammenfassung der Datenstrategie von Dairygold zu geben, und zwar auf einer einzigen Seite, und ich schätze, ich habe damals ...
	Da wurde mir klar, dass wir zu diesem Zeitpunkt wahrscheinlich keine solide Datenstrategie hatten.
	Aber was ich hier jetzt versuche, ist, in einem einzigen Bild zu zeigen, was unsere eigentliche Datenstrategie ist, und es ist wirklich einfach.
	Deshalb möchten wir die im Unternehmen vorhandenen Daten nutzen und Analysen nutzen, um sie in nützliche Informationen umzuwandeln.
	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 auch
	Am Ende haben wir tatsächlich noch mehr Fragen. Aber diese sind wirklich wichtig und wirklich wirkungsvoll, denn das sind Fragen, von denen wir von Anfang an nicht wussten, dass wir sie stellen sollten.
	Manchmal müssen wir also zurückgehen und unsere Daten noch einmal betrachten, um Antworten auf diese Fragen zu finden.
	Aber wenn wir letztendlich an dem 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 Einsicht sind wir dann in der Lage, zeitnah datengesteuerte Entscheidungen zu treffen und uns die richtigen Entscheidungen zu treffen ... schicken Sie uns, schicken Sie uns in die richtige Richtung.
	Und wenn wir unseren Prozess gut genug verstehen und genügend Einblick haben, sollten wir in der Lage sein, diese Daten zu nutzen, um dies zu erreichen
	Verstehen Sie mit einem hohen Maß an Genauigkeit, was möglicherweise in der Zukunft passieren könnte. Gute Einsichten sollten uns also auch eine gute Voraussicht ermöglichen, mit der wir vorhersagen können, was passieren wird.
	Wie ich eingangs sagte, besteht der Zweck dieser Präsentation darin, eine Reihe von Beispielen für die unterschiedlichen Arten der Datennutzung bei Dairygold zu geben.
	Ich würde sagen, wissen Sie, aus der Innenperspektive sind wir schon längst auf dem Weg, Entscheidungen auf der Grundlage unserer Daten zu treffen, und wir beginnen an diesem Punkt mit dem gesamten Bereich des maschinellen Lernens und der KI.
	Deshalb bin ich fest davon überzeugt, dass Einfaches auch sehr wirkungsvoll sein kann.
	Und deshalb heißt diese Präsentation von Balkendiagrammen zu neuronalen Netzen.
	Und ich denke, es ist wirklich wichtig zu betonen, dass man aus sehr einfachen Analysen einen großen Mehrwert ziehen kann. Das erste Beispiel, das ich hier nennen möchte, ist, dass es sich nur um Balkendiagramme handelt.
	Aber manchmal denke ich, dass Leute in Präsentationen ein Balkendiagramm erstellen können, das sich über mehrere Seiten erstreckt, und mit JMP ist es so einfach, alle Informationen auf einer einzigen zusammenzufassen
	Sicht. In diesem Fall betrachten wir also Salpetersäure in einem Reinigungsprozess und können hier oben jeden einzelnen Datenpunkt und für jede einzelne Phase eines Salpetersäure-Reinigungsprozesses sehen.
	Und Sie können die Menge an Salpetersäure sehen, die in jedem Schritt verwendet wurde. Der nächste Schritt, den wir betrachten, ist die Anzahl der Verwendungen, also die Häufigkeit, mit der dieser Schritt durchlaufen wurde.
	Und hier sehen wir uns den durchschnittlichen Salpetersäureverbrauch für jeden Schritt an. Als Beispiel können wir Folgendes sehen:
	Wissen Sie, wir haben hier einen höheren Durchschnittsverbrauch von 24 Litern pro Woche, aber die Häufigkeit, mit der dieser Schritt vorkam, betrug nur viermal.
	und es wurde durch diesen Ausreißer hier eindeutig verzerrt, daher ist dies offensichtlich verzerrt und wahrscheinlich noch wichtiger für uns, denn was wir hier versuchen, ist zu verstehen
	und Reduzierung der Menge an Salpetersäure, die täglich, wöchentlich oder monatlich verwendet wird, ist die Summe der Salpetersäure, die im gesamten Prozess für jeden der Prozessschritte verwendet wird.
	Und was wichtig war ... was für uns wichtig war, hier hervorzuheben, schätze ich, und wieder sind es nur einfache Balkendiagramme, aber es gab uns eine große Richtung
	im Geschäft und hat uns rausgeschmissen ... Entschuldigung, ich habe es vermieden, uns aus Versehen rauszuschicken, denn wenn wir uns all diese Daten ansehen, können wir das sehen
	Drei verschiedene Bereiche sprangen heraus. Wir hatten einen letzten Spülgang, einen Vorspülgang und einen weiteren letzten Spülgang. Und die Daten zeigten
	dass bei diesen Spülschritten Säure verwendet wurde, was nicht möglich ist, da bei den Spülschritten nur Wasser zum Einsatz kommt.
	Eine kleine weitere Recherche ergab also, dass ursprünglich von einem Anbieter falsche Daten-Tags in unserem Scanner(?)-System eingerichtet worden waren
	für unsere überwachten Durchflussraten. Wir dachten also, wir würden den Salpetersäureverbrauch tatsächlich überwachen, aber das stimmte nicht. Wir wurden falsch informiert. So
	Wir hätten wirklich tief in die Materie eindringen und unseren Prozess und seine Triebfedern verstehen können, aber sehr einfache Balkendiagramme zeigen oft die richtige Richtung an und wir konnten genau verstehen, was wirklich in unserem Unternehmen vor sich ging.
	Und unsere Verwendung von Balkendiagrammen im Unternehmen, und wenn ich ehrlich bin, ist dies wahrscheinlich einer meiner liebsten Einsatzmöglichkeiten von Balkendiagrammen im Geschäftsleben, weil es so einfach ist.
	Aber es zeigt ... es zeigt vier verschiedene Dimensionen der Ausfallzeit auf einer Seite, wirklich einfach und sehr benutzerfreundlich und meiner Meinung nach auch intuitiv zu bedienen und zu lesen.
	Was wir hier also haben, ist die Menge der Ausfallzeiten, die pro Monat in einer Käserei überwacht werden. Auf der Y-Achse sehen Sie hier also die Ausfallzeit in Minuten
	für jeden der sechs verschiedenen Bereiche innerhalb der Käserei, für jeden der sechs Monate April, Mai, Juni, Juli usw. bis September in absteigender Reihenfolge, eigentlich in zeitlicher Reihenfolge
	für jede der Schichten A, B, C und D. Nun könnte man meinen, dass die Daten erfunden wurden, weil die Anzahl der Minuten so niedrig ist, aber aus a ist es wirklich wichtig
	Aus Sicht der Käseherstellung ist es so, dass das Werk nicht stillsteht. Das sind also reale Zahlen. Ich meine, wir überwachen die Ausfallzeit in Minuten pro Monat.
	Wenn der Prozess stoppt, ändert sich der pH-Wert des Produkts, was sich negativ auswirken kann
	Auch der Endverkaufspreis und die Qualität des Produkts sind wichtig. Deshalb ist es wichtig, dass wir nicht damit aufhören.
	Dies ist also das Niveau, auf dem wir uns aus Wartungssicht befinden. Wir haben nur noch wenige Minuten, und was wir hier eindeutig sehen können, ist, dass es bei BetaVac keine allzu großen Probleme gibt, aber bei den Blockformern sehen wir Probleme mit den Schichten C und D.
	mit weiteren Problemen hier für C auf Blockmaster. In diesem Bereich springen wiederum C-Förderer heraus, und erneut für die Seitenfalten C und D.
	Und vielleicht noch mehr Probleme mit C und D hier. Aus dieser Analyse können wir also schließen, dass Schicht C und D aus Wartungssicht ein wenig Probleme haben und etwas mehr Unterstützung benötigten.
	Besonders gut gefällt uns die dynamische Verlinkung
	Element von JMP auch für die Datenexploration. Und in diesem Fall sollte ich darauf hinweisen, dass wir viele Labore im Unternehmen haben, also Mikrobiologie, Chemie usw. Labore,
	und wir testen Milch, Käse und Wasser sowie in der Verarbeitung befindliche und fertige Produkte und wir testen eine Vielzahl von Geschäftselementen.
	Und diese interaktive Verknüpfungsfunktion, die, wie Sie hier sehen können, in ein interaktives HTML umgewandelt wurde,
	wurde verwendet, damit verschiedene Personen im gesamten Unternehmen daran arbeiten konnten, ein Repository zu erstellen und es dann anzuzeigen und damit zu interagieren.
	Wir versuchen hier also, ein Repository zu erstellen, in dem wir Probleme haben, die innerhalb des Unternehmens bestehen. In diesem Fall hebe ich „Blockierung“ hervor. Tut mir leid, ich zeige „verstopfte Rohre“, „CIP des Verdampfers“ und „Stromausfall“.
	Und wenn Sie auf „Stromausfall“ klicken, werden die schattierten Bereiche der grünen Balken hervorgehoben. In diesem Fall sehen Sie also einen Stromausfall, einer oder mehrere davon ereigneten sich im August.
	Es wirkte sich hier auf diese Verarbeitungsstufen aus und insbesondere der Mikroorganismus, der bei diesen Prozessen am häufigsten beobachtet wurde, war Streptokokken.
	Der Wert hier liegt also darin, dass wir aus Faktorperspektive weiterhin Probleme zu diesem Repository hinzufügen können
	Schauen Sie in die Zukunft, um die Risiken für das Unternehmen zu erkennen, wenn etwas passiert. So wissen wir, dass wir beim nächsten Stromausfall möglicherweise die Anzahl der Tests in dieser Phase oder diesem Prozess erhöhen müssen, da das Risiko des Auftretens von Streptokokken höher ist.
	Manchmal kommt man an den Punkt, an dem man so viele Riegel hinzufügen muss, dass man Saisonalität und Geschmeidigkeit kennt
	Linien, um mehr Sichtbarkeit zu schaffen. Das ist eine Herausforderung, vor der wir in der Branche stehen, auf die ich später noch eingehen werde: die Saisonalität des Geschäfts.
	Und das tun wir sehr, weil die Kühe das Gras fressen und das Gras letztendlich natürlich zur Milchproduktion verwendet wird und weil das Wetter in Irland so unzuverlässig ist.
	An einem Tag kann es regnen und am nächsten schneien und am nächsten Tag scheint die Sonne, 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 die gesamten Wochenendbestellungen liegen im Mittelfeld, was ein grünes Ergebnis bedeutet.
	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.
	Hier ein Beispiel: Wir bewerfen uns gegenseitig mit Schneebällen und sechs Wochen später gab es eine Hitzewelle mit einem Wasserschlauchverbot.
	Es ist also sehr, sehr schwierig, saisonale Daten zu nutzen, die im Unternehmen effektiv vom Wetter abhängig sind, aber das ist eine der Herausforderungen, die wir zu meistern versuchen.
	Aus Trendperspektive nutzen wir JMP auch für nicht projektgesteuerte Explorationen. Hier ist ein Beispiel für durchschnittlich 2.800 Milchlieferanten pro Monat
	Sowohl Protein- als auch Fettergebnisse kommen über einen Zeitraum von zwei Jahren in das Unternehmen. Jedes Häkchen hier steht also für September 2018, Oktober 2018 usw.
	Es zeigt also die Bandbreite der Unterschiede, die sowohl innerhalb als auch zwischen unseren Lieferanten besteht. Und was nützlich ist, ist, dass wir uns darauf konzentrieren können und insbesondere für diesen Kerl sagen können, warum dieser Kerl so high ist?
	Und er weist konstant hohe Fett- und Proteinwerte auf. Gibt es etwas, das wir von diesem Lieferanten lernen können, das wir vielleicht auf andere Lieferanten übertragen können?
	Oder gibt es umgekehrt noch andere Anbieter am unteren Ende?
	Das könnte etwas Unterstützung und Hilfe von unseren Milchberatern gebrauchen, da sie ständig nicht in der Lage sind, ihren Protein- und Fettgehalt in ihre Milch aufzunehmen
	hoch. Diese sind wichtig, denn das sind die Parameter, nach denen die Landwirte bezahlt werden: der Protein- und Fettgehalt.
	In diesem Fall stellte sich also heraus, dass dieser Mann einer der ganz wenigen Milchlieferanten war, die sich dafür entschieden, nur einmal am Tag zu melken.
	Das bedeutet also, dass sein Fett- und Proteingehalt tatsächlich höher ist als bei allen anderen, er aber weniger Volumen hat, das er an Dairygold zurückgeben kann, aber und das ist seine Entscheidung.
	parallele Grundstücke.
	Und diese sind derzeit meine Favoriten, weil sie meiner Meinung nach auf einer Seite so viele Informationen gleichzeitig und für so viele verschiedene Parameter anzeigen.
	Es handelt sich hierbei um ein Problem, das derzeit tatsächlich auftritt, es ist also buchstäblich druckfrisch und das Problem wurde noch nicht einmal gelöst.
	Was wir hier also sehen, ist ... es geht um zeitweise auftretende Pulververstopfungen in Wirbelschichttrocknern und Zyklonen.
	Das bedeutet im Grunde, dass Pulver die Trockner und Zyklone verstopft. Und wir nennen diese Drosseln „OK“, also ist die Ausrüstung verstopft und wir müssen die Ausrüstung anhalten und sie reinigen.
	Was wir hier also eigentlich sehen, ist
	30 verschiedene Parameter, alle gemessen an ... alle hier auf der X-Achse angezeigt.
	Und jede der von links nach rechts verlaufenden Linien stellt eine Minute für die Einstellungen jedes dieser 30 Parameter dar. Das Rot zeigt an
	Minuten, die in der eine Stunde vor der Drosselung auftreten, also sind dies, wenn Sie so wollen, die Pegeleinstellungen für 60
	Ereignisse ... 60 Minuten bevor es zu einem Choke kommt, und diese rote Gruppe hier stellt neun verschiedene Choke-Ereignisse dar.
	Okay, hier oben gibt es also alles, was nicht 540 Stränge hat, das ist also praktisch der Fingerabdruck dessen, was passiert, kurz bevor es zu einer Drosselung kommt.
	Und wenn ... was wir versuchen, ist, dies mit typischen normalen Produktionsszenarien aus der Sicht der Maschinenparameter zu vergleichen.
	Und es ist wirklich gut, weil man sehen kann, wie sie sich vergleichen, und noch besser, wenn man sie auch übereinander legen kann, und ich habe ... die No-Choke-Funktion ist im Hintergrund geisterhaft. Das Interessante ist nun, dass wir tatsächlich sehen können
	Wie sich das Choke-Szenario vom Szenario ohne Choke unterscheidet und verstehen, was passiert. Eine Frage, die derzeit beispielsweise untersucht wird, ist:
	Wissen Sie, es scheint, als hätten wir geringere Werte von dem, was das ist ... Differenzdruck.
	Und ist dies in den meisten Fällen ein potenzieller Faktor, auf den wir achten sollten, wenn wir ersticken? Ist das die Ursache dafür? Weil typischer Ordnungsbetrieb
	Auch hier sind die Parameter hoch, wenn es um den Differenzdruck geht. Also nochmal, nur ein Beispiel.
	Wir verwenden GPS-Daten, um Muster und Trends bei Lieferantenstandorten zu visualisieren. Was wir hier also betrachten, sind die Proteinwerte im Dezember und in der gesamten Region Münster, wo alle unsere Lieferanten ansässig sind. Und jeder Punkt hier repräsentiert einen Lieferantenstandort innerhalb des Unternehmens.
	Und die Größe des Punkts stellt die Milchmenge dar, die der Lieferant Dairygold liefert. Sie wissen also: Je größer der Punkt, desto größer ist der Betrieb tatsächlich.
	Und hier gibt es eine abweichende Skala, bei der wir erwarten, dass die Lautstärke ... Entschuldigung, dass der Proteingehalt bei 3,5 liegen sollte, also interessiert uns das weniger und das ist grau schattiert.
	Aber alles, was größer als 3,5 ist, wird in Grün angezeigt, also ... das sind die Leute, denen es wirklich gut geht, und in Rot sind die Lieferanten, denen es vielleicht gut geht.
	Entschuldigung, die haben vielleicht ein wenig Mühe, ihren Proteinspiegel zu erhöhen. Hier können wir also unsere eigenen Daten nutzen, um vielleicht Kontakt aufzunehmen und herauszufinden, ob es Lieferanten gibt, die Unterstützung von unseren Milchberatern benötigen, und wir können ihnen auch helfen, was sehr nützlich ist.
	Wenn wir beim geografischen Aspekt bleiben, konnten wir auch einige uralte Mythen ausräumen. Das sind also die
	Diskussionen, die am Wasserkühler stattfinden könnten, wobei, wie jemand sagen würde, dieses Ding, NPN, definitiv geografisch betroffen ist.
	NPN ist schwer genug zu erklären, deshalb verwende ich hier die Analogie eines Pints, eines Pints Bier, wenn Sie so wollen. Eigentlich ist es eher ein Glas, denke ich.
	Und so enthält Milch, wie jeder weiß, Eiweiß, Fett, Laktose, Mineralien und Vitamine. Nun, das sind gute Dinge.
	Und es sind noch viele andere Dinge darin, und wenn wir nur das Protein als Ganzes betrachten, können Sie davon ausgehen, dass es sich bei dem ganzen Pint um Protein handelt, das wir in der Milch von den Bauern bekommen.
	Aber dieses Protein kann in das wahre Protein zerlegt werden, das hier im Grunde der flüssige Teil des Getränks ist.
	Und diesen Teil können wir tatsächlich in unserem Herstellungsprozess nutzen. Der Kopf des Pints, der schaumige Teil hier, ist das andere Zeug, also der Harnstoff und die Harnsäure und so weiter.
	Obwohl wir unsere Lieferanten für das gesamte Protein bezahlen, können wir in unserem Prozess leider nicht das gesamte Protein verwenden, sodass wir hier nur diesen Teil, den echten Teil oder das echte Protein verwenden können.
	Abhängig vom Prozess kann es also sein, dass, wenn wir zu einer bestimmten Jahreszeit höhere oder niedrigere NPN-Werte (Nicht-Protein-Stickstoff) haben,
	Dann ist es möglicherweise am besten, das Produkt auf eine bestimmte Website zu verweisen
	Jetzt über einen anderen Standort, damit wir vielleicht strategisch vorgehen können. Und die Frage war schon immer, wissen Sie, ich wette, dass zu einer bestimmten Jahreszeit die geografische Lage einen Einfluss auf den Nicht-Protein-Stickstoffgehalt im gesamten Körper hat
	die geografischen Standorte. Und was Sie hier sehen, sind Daten, die aus 284.000 Datenpunkten stammen, also 284.000 NPN-Messungen.
	Nicht-Protein-Stickstoff über ein ganzes Jahr hinweg in sechs verschiedenen Regionen in Munster in Südirland.
	Und die Linien hier stellen die Mittelwerte und die Mittelwertunterschiede dar, die von Monat zu Monat bestehen, aber auch die Mittelwerte, die sich aus Farbperspektive von Region zu Region unterscheiden.
	Die Boxplots hier stellen das Ausmaß der Variation dar, die innerhalb und zwischen den einzelnen Regionen besteht, sodass Sie deutlich erkennen können, dass die Durchschnittswerte folgen
	passt gut zusammen für jede Region und auch immer dann, wenn die Variationsmenge abnimmt,
	Sagen wir hier im Juli, es scheint in allen Regionen zu sinken, mit Ausnahme vielleicht einer leichten Anomalie hier für Tipperary, in diesem Fall.
	Aber wenn die Variation auch in einer Region zunimmt, nimmt sie in den meisten Fällen auch in allen Regionen zu.
	Wir können also nicht länger...wir müssen nicht länger über das Potenzial dieses und jenes reden. Auch mit unseren Daten können wir Theorien sehr schnell beweisen und widerlegen.
	Alle fünf Jahre versenden wir die Mittellinienzählung (?) an unsere Mischungslieferanten. Sie hilft uns, zukünftige Mengenabsichten und Herausforderungen zu verstehen, die Lieferanten auf ihrem Betrieb haben könnten.
	Und es gibt einen Hinweis auf die Stimmung unserer Mitglieder sowohl aus geschäftlicher als auch aus investiver Sicht.
	Deshalb haben wir kürzlich über 100 Fragen an jeden unserer 2.800 Lieferanten verschickt. In diesem Fall lautete die Frage: Was sind die wachstumshemmenden Faktoren auf Ihrem Betrieb?
	Und den Leuten wurden neun Optionen gegeben, also in diesem Fall Faktor eins bis neun. Daher wurden sie gebeten, die ihnen präsentierten Faktoren in der Reihenfolge ihrer größten oder geringsten Bedeutung, also von eins bis neun, zu ordnen. Sie können sich also vorstellen, dass Sie 2.800 Ergebnisse zurückerhalten
	von jedem Anbieter, aber jedes Ergebnis hat eine Punktzahl von eins bis neun und einige von ihnen haben nicht immer eine bis neun erreicht, sie haben vielleicht nur ihre Top drei erreicht, andere vielleicht ihre Top fünf oder Top sieben oder was auch immer.
	Die Frage ist also, wie Sie all diese Daten, diese 25.000 Datenpunkte, am besten in einem klaren Bild darstellen können, das, wenn Sie so wollen, die gesamte Landwirtegemeinschaft darstellt, die an Dairygold berichtet.
	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 wichtigsten Faktor eingestuft haben
	limitierender Faktor für die Expansion ihrer Betriebe. Dahinter folgt Faktor 5, wo 19 % als wichtigster Faktor und 23 % als wichtigster Faktor votierten
	als Nummer zwei. Von links nach rechts sehen Sie noch einmal, welche Faktoren für Landwirte am wichtigsten sind.
	Farbe ist hier also wirklich wichtig, und ich werde mit diesem Team auch hier geschichtete Heatmaps für einen ganz anderen Teil weiterverfolgen
	Einzelhandelsbestellungen. In diesem Fall betrachten wir also nur die Anzahl der Bestellungen nach Tageszeit am Wochenende
	zur Einspeisung in unsere Filialen. 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 Landwirte Bestellungen über Apps aufgeben und ... oder
	Sie können die Bestellung einreichen. Aber man kann es hier deutlich sehen, wenn freitags der erste ist
	Die Kühe werden gemolken, einige Bauern gehen raus und sagen gleich um fünf Uhr morgens: „Okay, ich brauche mehr Futter.“ Ich werde hier automatisch in der App eine Bestellung aufgeben.
	Und wieder kann 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 es können
	Wir verstehen, zu welchen Zeiten am Wochenende am meisten Bestellungen entgegengenommen werden und wann Bestellungen bearbeitet werden müssen. Dies kann uns helfen, dies zu verstehen
	Wie lässt sich am Wochenende am besten eine effektive Personalausstattung erreichen, sodass es keinen Sinn macht, an einem Sonntag die gleiche Anzahl an Leuten zu haben wie am Freitag? Vielleicht mehr
	Die Zeit sollte konzentriert eingesetzt werden ... und mehr Mitarbeiter sollten sich darauf konzentrieren, Bestellungen an einem Freitag und vielleicht auch am frühen Samstagmorgen zu erhalten. Daher war die Personalausstattung in unseren Filialen wesentlich effektiver.
	Noch einmal, um beim Thema Farbe und, wie wir wissen, ausgefallener Analytik zu bleiben, aber wie Sie sehen, werden wir in Kürze damit fertig sein,
	Aber bleiben Sie beim Thema Farbe. 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 also der gesamte Quark von der Molke befreit, und dann wird dieses Käsebett zerdrückt 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 Käsebetts für dieses große Käsestück zu messen.
	Und als uns das gelang, konnten wir uns ein wirklich gutes Bild davon machen, was tatsächlich passiert, und die Farbe als Orientierungshilfe nutzen, um auch die Breite unseres Käsebetts zu bestimmen.
	Rot bedeutet also eindeutig höher, Grün bedeutet etwas niedriger, und wir messen hier in Millimetern, also zwischen 120 und 155 Millimeter.
	Hier sieht man deutlich, dass es von links oben ein leichtes Gefälle gibt
	Seite, wo die Höhen nach unten hin zur linken Seite höher sind, und auch zur unteren linken Seite, wo das Bett tatsächlich herunterfällt.
	Das ist also wirklich wichtig für uns, denn aus der Perspektive der Variabilität versuchen wir zu verstehen, ob es einen Unterschied gibt ... warum gibt es einen Unterschied in den Blöcken ...
	im Gewicht der Blöcke, die zu unserem Prozess gehen? Dies weist so ziemlich auf einen der Gründe hin. Und einer der Gründe ist, dass, wenn die Höhe der Blöcke unterschiedlich ist,
	dann würde die Logik vorschreiben, dass das Gewicht der Blöcke auch unterschiedlich sein wird, wenn der Käse auf das gleiche Maß komprimiert wurde ... mit der gleichen Kraft.
	Auch hier ist es für Menschen einfacher, dies anhand von Bildern zu verstehen, insbesondere wenn sie sich mit der analytischen Seite des Geschäfts nicht so gut auskennen.
	Wenn ich mich mehr mit der Analyse befasse, denke ich, dass wir im gesamten Unternehmen häufig statistische Prozesskontrolle eingesetzt haben, um
	Sie wissen schon, suchen Sie nach Möglichkeiten und überprüfen Sie 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 eine gängige Praxis ist.
	Also stoßen wir einen Teil der Luft aus und fügen Kohlendioxid hinzu, wenn wir die Beutel füllen, und, wie Sie hier sehen können, 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 dafür sorgen, dass das Leben im Jahr 2018 ganz, ganz anders war
	wo unser durchschnittlicher Kohlendioxidverbrauch deutlich reduziert wird. Wir haben noch einige Herausforderungen und vielleicht zeichnet sich auch hier ein Muster ab, das eine Untersuchung rechtfertigt, aber
	So etwas bringt auch Vorteile mit sich, denn solange... wir nicht nur unseren Prozess unter Kontrolle bekommen und ihn statistisch nachweisen können, sind wir auch in der Lage, welche zu erstellen
	Studien, um auch die Absorptionsrate des Kohlendioxids in unseren Pulvern effektiv beurteilen zu können.
	Und das ist wirklich wichtig, denn wenn wir verstehen können, wie unser Produkt das Kohlendioxid absorbiert, dann führt das zu anderen Vorteilen, zum Beispiel
	Wenn das Fett das Kohlendioxid in einem Beutel aufnimmt, entsteht im Inneren dieses versiegelten Beutels ein Vakuum
	Der Beutel beginnt sich um das Pulver herum abzudichten und macht den Pulverbeutel dadurch wesentlich steifer.
	Aus Sicht der Lieferkette verringert es nun die Risiken und macht das Leben einfacher, wenn wir diese Säcke für Transport und Versand auf Paletten stapeln können.
	Jetzt ist es, als würden wir Betonblöcke stapeln, anstatt zu versuchen, Kissen zu stapeln, die weich, flauschig und flexibel sind. Es gibt also überall Sieg, Sieg. Wir haben
	verwendet und ich bin definitiv kein Programmierer, aber wir haben uns auf jeden Fall bei der irischen Benutzergruppe gemeldet und viel Hilfe bekommen
	und an die JMP-Community... Und eigentlich, wissen Sie was, ich möchte insbesondere Troy Hickey von Intel hervorheben, der uns sehr hilfreich bei der Unterstützung der irischen Benutzergruppe geholfen hat.
	In der JMP-Community ist es großartig, wenn man sich meldet und eine Frage in einem Bereich stellt, in dem man vielleicht nach Klarheit sucht
	oder vielleicht ein Bereich, über den Sie nichts wissen, und um die Antwort von Leuten zu erhalten, von denen Sie noch nie gehört haben, eine ebenso ausgezeichnete Expertenantwort.
	In diesem Fall konnten wir also Code mit JSL erstellen und dieses und ein Kontrolldiagramm erstellen
	Format, wenn Sie möchten, im Tab-Format. In diesem Fall also für Magermilchpulver, Vollmilchpulver, demineralisiertes Molkenpulver und Kasein zur Proteinmessung
	Tests in unseren Laboren. Wir überwachen derzeit etwa 30 verschiedene Tests und beobachten die Unterschiede zwischen Standards und Nasschemie
	auf täglicher Basis, und auch der Unterschied, der zwischen manuellen Methoden und Nahinfrarotmethoden, also den automatisierten Methoden, besteht.
	Und wir möchten beispielsweise sicherstellen, dass wir, wenn wir beispielsweise Standards für die Nasschemie betrachten, ein Ziel von Null anstreben. Wir möchten nicht, dass es einen Unterschied zwischen den Ergebnissen, die wir in einem Labor testen, und denen gibt
	Der Standard sagt, dass es so sein sollte. Wir wollen also ein Ziel von Null, und das zeigt uns, dass wir in diesem Fall das Ziel erreichen
	Protein, bei demineralisiertem Molkenpulver liegen wir leicht daneben; wir sind .04 und wir können das Profil unseres Prozesses verfolgen und erhalten
	den Prozess, um uns anzuzeigen, dass eine Prozessverschiebung stattgefunden hat. Also neun Daten ... in diesem Fall mindestens neun Datenpunkte in einer Reihe über dem Mittelwert.
	Und wir wissen dann, dass wir den Prozess stoppen und nicht mehr fortsetzen müssen, weil wir Nachforschungen anstellen und etwas einleiten müssen, um das Problem zu beheben, in diesem Fall die Prozessverschiebung.
	Das hat sich für uns als äußerst positiv erwiesen und wir sind jetzt in einem Stadium, in dem wir dieses Setup haben und es jeden Tag läuft, und obwohl es
	Wissen Sie, Hunderte und Aberhunderte von Hunderten, Tausende, selbst an diesem Punkt der Datenpunkte ist das Skript so eingerichtet, dass es nur die letzten 42 Datenpunkte anzeigt, also jeweils die Daten der letzten Woche, auch wenn die Kontrollgrenzen so eingestellt sind
	basierend auf den bisherigen Daten im Prozess. Es ist also wirklich gut, sich hier an die JMP-Community zu wenden. Bezüglich
	die LKW-Ankunftszeiten im Unternehmen, also haben wir in diesem Fall 54.000 Tanker, die von Mitternacht bis Mitternacht an vier verschiedenen Standorten ankommen, wissen Sie.
	Und es ist wirklich gut, uns einen Eindruck von den verschiedenen Distributionen zu vermitteln, die es gibt, von der Lieferzeit bis hin zu den Websites. Und das ist wichtig für uns, denn wir wollen nicht, dass ein Tanker auf die Baustelle kommt
	und entladen Sie die Milch und verlassen Sie die Baustelle so schnell wie möglich. Wir wollen den Fall nicht haben, wo wir ihn haben
	Es gibt viele Staus und vielleicht auf einer Baustelle, wie Sie es hier im Szenario sehen, wo LKWs hinter anderen LKWs aufgereiht sind. Wir möchten, dass der gesamte Prozess reibungslos verläuft.
	Und hier können Sie als Beispiel sehen, acht Uhr morgens bis neun Uhr,
	Dorthin sind die Leute wahrscheinlich zum Frühstück gegangen. Unser Verkehr ist stärker und es gibt nicht so viele Lieferungen an die Standorte, und auch hier ist der Verkehr am Abend stärker
	und Lastwagen werden aufgehalten oder weggefahren ... die Fahrer sind zum Abendessen weg und so weiter. So können wir etwas tiefer in die Materie eintauchen und für jeden der verschiedenen Standorte, also zwei Standorte, in diesem Fall Clonmel Road und Castlefarm, „OK“ sagen.
	für die Zufahrtsstraßen, und diese Standorte liegen sehr nahe beieinander, für die Zufahrtsstraßen in Richtung Norden, Süden, Osten und Westen,
	Wie sieht es aus und haben wir eine klare Verteilung über die Daten, die wir wollen bzw
	Gibt es beispielsweise einige Spediteure, die nicht innerhalb von 24 Stunden aus dem Osten liefern? Und wir können verstehen, was vor sich geht, und wir können diese Informationen auch nutzen,
	Und sagen wir mal, okay, wenn man von der Pump-Offload-Rate ausgeht, denn wir haben in diesem Fall zwei Standorte mit 11 Pumpen, die entladen werden
	über eine halbe Milliarde Liter pro Jahr an zwei Standorten.
	Und wir wollen herausfinden, welche Pumpen effizienter oder weniger effizient sind als andere. Und wir können hier deutlich sehen, dass es vier Pumpen gibt, die eine höhere Entlastungsrate haben.
	So können sie in der gleichen Zeit schneller und mehr Milch abpumpen als vielleicht einige andere Pumpen. Und das sieht man hier
	Am Standort 2 ist Pumpe Nummer drei die Pumpe mit der höchsten Effizienz, während Pumpe 4 und Pumpe 3 insgesamt die am wenigsten effizienten Pumpen sind. Wenn wir also eine Wartungsüberholung durchführen würden, wüssten wir, dass dies die Pumpen sind, die zuerst überholt werden müssen.
	Wir verwenden JMP, um Messsysteme sowohl hinsichtlich ihrer Exzellenz als auch ihrer Chancen zu bewerten, und wir tun dies, wissen Sie:
	So oft kann ich gar nicht mehr den Überblick behalten. Wenn man sich in diesem Fall Orthophosphate (?) anschaut, handelt es sich um ein R&R mit Standardmessgerät und die Ergebnisse sind wirklich gut. Also da
	19 verschiedene Kategorien; 19 ist ausgezeichnet und Gauge R&R beträgt 0,5, also ist weniger als 10 ideal und es bedeutet nur, dass Sie wissen, dass wir wirklich gut sind
	Messsysteme vorhanden sind, die dauerhaft zuverlässig sind. Und egal welchen Teil Sie einem Analysten geben, er wird 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 verwenden und müssen auch eine Analyse der Attributübereinstimmung durchführen.
	In diesem Fall sehen wir uns also visuelle Beurteilungen verpackter Produkte an, und Sie suchen möglicherweise nach etwas wie Rundheit oder beschädigten Kanten oder der Prägung
	Lesbarkeit usw. Nachdem Verbesserungen vorgenommen wurden, können Sie hier sehen, dass wir bei den Gutachtern eine Übereinstimmung von 90 bis 95 % haben.
	Insgesamt können Sie sehen, dass der Übereinstimmungsgrad hinsichtlich der Anzahl der übereinstimmenden und vereinbarten Teile 82 % beträgt
	innerhalb jedes ... innerhalb und zwischen jedem Betreiber, aber wahrscheinlich noch wichtiger ist die Wirksamkeit, also die Ausrichtung auf den Standard.
	Und wir können hier im Nachhinein sehen, dass die Zustimmung zum Standard mittlerweile bei 96 % liegt, also wirklich gut. Und Sie wissen: Wir können sicherstellen, dass unsere Produkte auch dann zuverlässig bewertet werden, wenn sie subjektiv sind.
	Natürlich können wir auch Experimente entwerfen, um die Wirkung verschiedener Faktoren zu quantifizieren. In diesem Fall handelt es sich also um den WPNI, den Molkenprotein-Stickstoffindex, also um ein Maß für.
	Proteindenaturierung in unserem Produkt, daher ist dies ein Hinweis auf den Grad der Wärmebehandlung, der das Produkt unterzogen wurde, und das kann sein:
	Entschuldigung, das kann sehr wichtig sein, da der Grad der Wärmebehandlung die Anwendung beeinträchtigen kann
	aus Kundensicht. Wenn also, sagen wir, die falsche Wärmebehandlungsstufe angewendet wurde, kann das bedeuten, dass ein Kunde, der unser Produkt vielleicht für die Herstellung von Joghurt verwenden möchte,
	Dann wäre das Produkt nicht geeignet, weil es vielleicht ein körniges Gefühl hinterlässt, vielleicht ein körniges Mundgefühl oder so, also ist das für ein Produkt wie Joghurt nicht geeignet.
	Wir hatten also Probleme mit inkonsistenten Ergebnissen des Molkeprotein-Stickstoffindex und es gab einige Unklarheiten in unserem Verfahren.
	insofern es offen für Interpretationen war. Es könnte also heißen: „Du weißt schon, schüttel etwas,“
	Schütteln Sie dieses Fläschchen, wissen Sie, es könnte einfach heißen: Schütteln Sie es, und jemand sagt vielleicht: „Ja, ich schüttele es fünf Sekunden lang“, jemand anderes könnte sagen: „Ich habe es nur zehnmal umgedreht“ und jemand anderes würde sagen: „Ja, ich schüttle es 30 Sekunden lang kräftig.“
	Jeder hat also mit den besten Absichten das Verfahren befolgt, aber wenn das Verfahren nicht eindeutig ist, dann ist es offen für Interpretationen, und das kann auch zu Inkonsistenzen führen.
	Wir versuchen also, Versuche zu entwerfen, um die Faktoren zu verstehen, die die Variation in unserem Prozess beeinflussen können.
	Hier haben wir also eine Natriumchloridlösung, also eine reine Salzwasserlösung, bestehend aus einem Startriegel und ohne Startriegel.
	Die Dauer an einem heißen Ort beträgt 45 oder 60 Minuten und dann haben wir diese Lösung hier verwendet und diesen kleinen Testplan hier, wir waren...die Wasserbadtemperatur beträgt 37 und 40 Grad, dies ist eine der vier Lösungen hier oben farblich gekennzeichnet.
	Und dann haben wir die Intervalle zum Schütteln des Wasserbads 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 passiert, wenn wir niedrige WPNI-Ergebnisse haben. Ein bisschen
	Es ist schwieriger zu verstehen, was hier vor sich geht, daher müssen wir natürlich etwas weiter gehen und anfangen, einige Modelle zu erstellen und zu verstehen, was hier vor sich geht.
	Die Modelle sind hier in Bezug auf die Stärken, über die wir sprechen, recht gut, R im Quadrat liegt gerade einmal bei etwa 68 %.
	Und wir können sofort erkennen, dass die Haupteffekte hier die Wasserbadtemperatur sind, gefolgt von der Rührstabdauer und dem Wechselwirkungseffekt mit der Heizplatte.
	Und wir können auch den Effekt sehen, welcher Parameter zieht ... welcher Effekt zieht
	der Prozess auch in welche Richtung. Und wir haben hier unten auch den wertvollen Vorhersageprofiler. Wir können erkunden, was los ist.
	Was mir gefällt, und dass man die Ergebnisse manchmal verwenden kann, nun ja, manchmal verwende ich die Ergebnisse einiger dieser Experimente, um ... aus pädagogischer Sicht.
	Ich habe also vorhin darüber gesprochen, dass der Rührstab und die Dauer auf der Kochplatte ein wichtiger Faktor sind, und das ist ein Interaktionseffekt, wenn also die Wirkung eines Faktors von der Pegeleinstellung eines anderen abhängt.
	Aber Sie können, wissen Sie, Sie können versuchen, jemandem auf einer Seite den Interaktionseffekt zu erklären; Wir haben gekreuzte Linien und gekreuzte Linien bedeuten, dass es so ist
	starke Wechselwirkung, und wenn die Linien parallel verlaufen, es aber so aussieht, als würden sie sich kreuzen, handelt es sich um eine kleine Wechselwirkung. Oder Sie können die Daten tatsächlich nehmen und sie grafisch darstellen,
	Und in diesem Fall haben viele Leute nicht wirklich gesehen, wie eine Interaktion mit zwei Faktoren aussieht, und so sieht eine Interaktion ... Interaktion aus und sie kann als ... verwendet werden.
	auch als pädagogisches Hilfsmittel. In unserem Fall hier haben wir also das WPNI-Ergebnis hier auf unserer Y-Achse, Entschuldigung, ja, auf unserer Y-Achse.
	Die Dauer auf der Kochplatte beträgt 45 Minuten und 60 Minuten. Wenn wir also bei 45 Minuten bleiben, wo wir keinen Rührstab haben, und wenn wir wechseln ... wir bleiben bei 45 Minuten und wechseln zu einem Rührstab, können wir sehen, dass wir von dieser Stufe auf diese Stufe gesprungen sind.
	Wenn wir dagegen mit 60 Minuten beginnen, sind wir ... WPNI-Level ist hier, ohne Rührstab und wenn wir zu einem Rührstab springen, können wir sehen, wie er nach unten springt. So
	Der Sprung ist hier nicht so groß wie hier, aber es zeigt sofort, dass die Wechselwirkung zwischen Rührstab und Dauer auf der Kochplatte ziemlich groß ist.
	Und genau das bringt uns mit sich, also wiederum viel Prozesswissen und -verständnis. Wir können auch einige Klassifizierungstools verwenden, in diesem Fall also Entscheidungsbäume, um zu versuchen, sie zu verstehen.
	Dies ist also eine Anfrage von R&D in Bezug auf die Bräunung von Käse, und sie steht, wie es sich auch anhört, mit der Bräunung von Käse in Zusammenhang
	in einem Ofen, wenn die Hitze so gering ist, wie bei Pizzen. Wir möchten also nicht, dass der Käse zu schnell anbrennt. Wenn es sich also um Cheddar-Käse auf einer Pizza handelt, möchten Sie nicht, dass er zu schnell anbrennt.
	Sie möchten, dass es etwas Leben hat und das Rezept nachgekocht wird. Also noch einmal, und hier ist ein Beispiel für eine Klassifizierung, sorry, einen Entscheidungsbaum, den wir betrachten
	drei verschiedene Stufen, wenn Sie möchten, helle, mittlere und dunkle Bräunung, dargestellt durch den Baum, die Farbe ist grün,
	bernsteinfarben 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 aufweisen 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 Chance von 31 % haben, ihn zu bekommen
	dunkel gebräunt, also wird es nicht gut. Aus dieser Perspektive können wir also erkennen, dass die Größe des
	Zählungen, die die Anzahl der Objekte angeben, verursachen dies ebenfalls, und auch im Hinblick auf die Beendigung der Blattknoten im Baum. So können Sie bekommen
	ein gutes Gespür dafür, was in Ihrem Prozess vor sich geht, im Hinblick auf die wichtigen Faktoren, die am besten trennen, in diesem Fall die Bräunungsklassifizierung.
	Und ich sage hier „Covert Bootstrap Forest“, weil Sie wissen, dass dies meiner Meinung nach ein zu wenig genutztes Tool in JMP ist und ... wenn Sie verstehen, was ein Entscheidungsbaum tut und wie er funktioniert, werden Sie verstehen, dass es sich um ein ziemlich leistungsfähiges Tool handelt.
	Und ich bin mir nicht sicher, ob der Algorithmus, der für Entscheidungsbäume verwendet wird, ein iterativer Dichotomizer ist oder nicht
	C 4.5 oder 5.0 oder was auch immer, aber was ich weiß, ist, dass das Prädiktor-Screening den Entscheidungsbaum-Algorithmus im Hintergrund nutzt und Bootstrap-Forest verwendet, was bedeutet
	Probenahme mit Ersatz, um einen Haufen dieser Bäume zu erstellen und sie alle zusammenzustecken, um dann, wenn Sie möchten, die durchschnittlichen Ergebnisse der Bäume zu erhalten. Also in diesem Fall, darauf hinweisen, und das ist von der
	Beispiel für ein paralleles Diagramm weiter oben für die 30 verschiedenen Maschinenparameter. In diesem Fall stellen Sie fest, dass es tatsächlich 31 sind.
	Denn als ich zum Team zurückkam, sagte ich, dass dieser Düsenluftdruck etwas anderes hat und dass er ein wichtiger Faktor zu sein scheint, und das Screening der Prädiktoren sagt mir das.
	Hinten im Raum hob sich eine Hand und sie sagten tatsächlich:
	Von allen Parametern ist das wahrscheinlich keiner, der dort hätte sein sollen, weil es sich nicht wirklich um einen Maschinenparameter handelt. Wir haben ihn einfach in uns selbst gesteckt, um zu sehen, ob etwas herausspringen würde.
	Und tatsächlich ist dies derjenige, der von der Seite gesprungen ist, sodass er herausgenommen und separat bewertet werden musste.
	In Bezug auf die Präsentation, und ich bin auch fast am Ziel, also in Bezug auf sie
	Durch die Verwendung von Modellen zur Vorhersage der zukünftigen Leistung bewegen wir uns von Erkenntnissen zu Voraussicht.
	Und hier haben wir ein Modell erstellt, das mit einer Modelleffektivität von 76 % basierend auf 1.438 Beobachtungen ziemlich stark ist.
	Die Frage war, ob wir ein Tool entwickeln können, das uns hilft, sowohl die Anzahl der Bestellungen vorherzusagen, die an jedem Wochentag, in jeder Woche im Jahr im Unternehmen 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?
	So konnten wir alle historischen Daten nutzen und mit dem Vorhersageprofiler auswählen, welches Jahr aus saisonaler Sicht für das, was Sie vorhersagen möchten, am häufigsten vorkommt.
	Gehen Sie dann zum entsprechenden Monat, dem gewünschten Datum und dem Wochentag und bestimmen Sie, ob es sich um einen Feiertag handelt oder nicht.
	Und wie Sie hier sehen können, habe ich hier zwei verschiedene Einstellungen eingerichtet. Einer ist für den Fall, dass wir einen Feiertag haben, der andere für den Fall, dass wir keinen haben, und Sie sehen, dass es sich um einen wichtigen Feiertag handelt
	Auch hier kommt es zu einem Wechselwirkungseffekt zwischen Feiertag und Wochentag. Wir können uns also wieder dem Geschäftsgedanken zuwenden
	An welchem Wochentag auch immer, am 26. Oktober 2019, einem Donnerstag und nicht an einem Feiertagswochenende, rechnen Sie mit 120 eingehenden Bestellungen, was ebenfalls einem Produkteingang von knapp 1.100 Tonnen entspricht.
	Wir haben dies also tatsächlich über zwei Wochenenden hinweg durchgeführt, ein Wochenende, an dem wir einen Feiertag und keinen Feiertag hatten, und es waren tatsächlich 85 %, was wirklich gut ist. Obwohl das Modell also bei 76 % lag, schnitt es in der Realität tatsächlich ganz gut ab.
	Dann geht es von der Einsicht zur Voraussicht, wo wir wieder hinschauen... und versuchen, die Verlässlichkeit der Saison zu berücksichtigen.
	Wir haben hier verschiedene Jahre, dargestellt durch verschiedene Farben, also 2015, 16, 17, 18 und so weiter. Und wir sehen uns eine Reihe von eingehenden Futtermengenbestellungen an
	das Geschäft. Jeder Punkt stellt eine wöchentliche Bestellmenge dar, und was ich hier übertrieben habe, ist, dass ich das tatsächlich vorhergesagte Modell überlagert habe, sodass der vorhergesagte Wert erhalten wurde
	jede dieser Wochen. Und Sie können sehen, wie das Modell in Bezug auf die tatsächliche Genauigkeit ist, also tatsächlich im Vergleich zu vorhergesagt.
	Und dann in der Lage zu sein, und wenn ich ehrlich bin, kann ich mich nicht erinnern ... es waren entweder saisonale exponentielle Prognosen oder unser saisonales ARIMA,
	saisonal ??? metrischer gleitender Durchschnitt, um zu bestimmen, wie das in den nächsten sechs Monaten aussehen wird.
	Und wiederum äußerst wertvoll für unser Geschäft, wo Saisonalität eine Herausforderung darstellt, und wir können diese Tools mit einem hohen Maß an Sicherheit nutzen, um zu verstehen, mit welchem Auftragsniveau wir künftig im Geschäft rechnen können.
	Und zu guter Letzt, und ich schätze, das ist für uns etwas weit hergeholt, denn wir sind noch nicht in die Zone gegangen, sondern in neuronale Netze. In diesem Fall verwenden wir neuronale Netze als Versuch, um zu verstehen, ob wir Sedimente in unserem Prozess aussortieren können. Wenn wir also ADPI-Ergebnisse haben, dann ist das so
	eine Sedimentplatte und wir sehen eine Menge möglicherweise verbrannter Partikel, vielleicht von einem Trocknungsprozess oder so weiter, und wo sind wir? Handelt es sich um ein Level A, B, C oder D?
	Hier stellt das Siebergebnis die Anzahl der in einem Sieb zurückgebliebenen Partikel dar und ein Tumbler-Ergebnis T1B1 stellt die Ober- und Unterseite dar.
	T1 stellt die Anzahl der Partikel dar, die möglicherweise oben auf dem Wasser schwimmen, und B könnte die Anzahl der Partikel am Boden darstellen, also das Sediment, das auf den Boden gesunken ist.
	Und hier wieder in einem neuronalen Netzwerk und mit K-facher Kreuzvalidierung, also wurde K meiner Meinung nach auf 10 gesetzt. Wir haben neun
	Auch hier funktioniert die Aktivierung meiner Meinung nach. Ja, hyperbolisch ... linear, Gauß und ich glaube auch hyperbolischer Tangens.
	Und wir können jedes davon nutzen
	Wir haben auch Einlassknoten, um sie in unsere Aktivierungsfunktion einzuspeisen, und dann haben wir hier auch unsere Ausgabeschicht, die uns das Endergebnis geliefert hat. So können wir Folgendes nutzen:
	in diesem Fall ergibt sich 6.245
	Trainieren Sie unser Modell und nachdem wir die Validierung auch mithilfe der Kreuzvalidierung durchgeführt haben, können wir hier unsere Verwirrungsmatrix erstellen, was ebenfalls recht gut ist. Ich meine, wir haben nicht so viele Werte in A1/A2
	bis zur B-Note, wie wir es für A1 tun, aber es zeigt uns das irgendwie, wissen Sie, wenn wir eine A2-Note haben
	dass wir vorhergesagt haben, dass 35 davon echte Zwei sein würden und nur zwei A1 sein würden. Es kann also ein Fehler vorliegen, und der Fehler kann von der Art des Modells herrühren,
	Sie wissen schon, ursprünglich erstellt von Bewertern, die manuell versuchten, den Unterschied zu beurteilen, der in jedem dieser Punkte besteht, wenn und wann
	In den Ergebnissen tauchen einige Unklarheiten auf, und dann wird versucht, eine endgültige Entscheidung zu treffen. 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 wiederum würden wir davon ausgehen, dass die Wahrscheinlichkeit, hier oben die Note A1 zu erhalten, ziemlich hoch wäre, wenn das Tumbler-Ergebnis T1B1 wäre, kaum Floater oder Sinker
	und wenn die Siebergebnisse auch hinsichtlich der Partikelmenge recht niedrig wären, würden wir erwarten, dass unsere Ergebnisse für A1 hier oben liegen.
	Die Tatsache, dass wir hier A1 sehen, könnte darauf hindeuten, dass das Modelltraining nicht ganz so effektiv war, wie es hätte sein können, und dass möglicherweise einige Fehler im Modell aufgetreten sind.
	Und wieder sieht man, dass hier ein sehr... recht komplexes Modell entstanden ist
	dafür, aber wissen Sie, es ist eine Art Blackbox, wie wir alle aus der Perspektive eines neuronalen Netzwerks wissen. Aber ich schätze, es gibt noch einmal eine Menge Prozesswissen und einen Machbarkeitsnachweis für uns, gerade jetzt, wo wir anfangen, uns dem gesamten Bereich des maschinellen Lernens und der KI zu nähern.
	Ich weiß also, dass ich viel auf Leute geschossen habe, und es war ziemlich überstürzt, und ich könnte wahrscheinlich stundenlang über die ganze Sache sprechen und mich entschuldigen ... Entschuldigung, wenn es sich überstürzt angefühlt hat, aber was ich sagen würde, ist nur aus der Perspektive meiner abschließenden Gedanken:
	Ich denke, es hat sich gezeigt, dass Sie Daten in jeder Branche nutzen können, egal in welcher Branche Sie tätig sind, selbst wenn es sich um die Agrarbranche handelt, die sehr weit von der typischen Datenanalyseumgebung entfernt ist
	Mithilfe von Datenanalysen können Sie einen erheblichen Mehrwert für das Unternehmen schaffen und nahezu jeden Bereich des Unternehmens erreichen und unterstützen.
	Außerdem würde ich sagen, dass man den Wert einer einfachen grafischen Analyse nicht unterschätzen sollte. Erst in der Mitte dieser Präsentation haben wir begonnen, einige der leistungsstärkeren Analysen vorzustellen, die in JMP und eingebettet sind
	Ich denke, es ist großartig zu wissen, wie man all die tollen Werkzeuge nutzt, und es gibt einen richtigen Zeitpunkt und einen richtigen Ort dafür, aber einfach kann auch sehr wirkungsvoll sein, und man sollte den Wert davon nicht unterschätzen.
	Ansonsten möchte ich mich bei allen fürs Zuhören bedanken. Ich weiß das wirklich zu schätzen und wenn Sie Fragen oder Kommentare haben, sind diese jetzt herzlich willkommen. Danke schön.

Das Beste vom Gipfel

Ausbrechen

Datenvisualisierung