349204_ko-KR

liliconcom

Dairygold에서 데이터 짜기: 막대 차트에서 신경망까지(2021-EU-30MP-735)

레벨: 중급

 

Kieran O'Mahony, Dairygold 데이터 과학 및 분석 관리자

 

현대 세계에서 데이터 분석의 사용은 일반적으로 금융, 의료, 제약, 의료 기기, 반도체, 전자 상거래 등과 같은 산업과 더 관련이 있습니다. 농업과 분석이라는 단어가 같은 문장에서 발견되는 경우는 드뭅니다. 이 세션에서는 전통과 역사가 깊은 그러한 기업이 더 이상 "데이터는 풍부하지만 정보는 빈약한" 기업으로 간주되지 않도록 하기 위해 데이터 분석의 사용을 수용하고 장려한 방법에 대한 통찰력을 제공할 것입니다. 이 세션에서는 JMP를 사용하여 Dairygold에서 더 많은 데이터 기반 의사 결정을 가능하게 한 방법에 대한 여러 가지 예를 보여줍니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
키어런 오마호니	네, 대단히 감사합니다. 제 이름은 Kieran O'Mahony이고 아일랜드 Dairygold의 데이터 과학 및 분석 관리자입니다.
	제 프레젠테이션 제목은 Milking the Data at Dairygold에서 Bar Charts to Neural Networks입니다.
	따라서 데이터 분석의 사용은 일반적으로 금융 및 의료, 제약, 반도체 등과 같은 산업과 더 관련이 있으며 농업 및 분석이라는 단어가 같은 문장에서 발견되는 경우는 거의 없을 것입니다.
	따라서 이 세션은 매우...매우 전통적인 비즈니스가 비즈니스 전반에 걸쳐 분석 사용을 수용하고 장려하는 방법에 대한 통찰력을 제공하기 위한 것입니다.
	따라서 이 세션은 Discovery에서 볼 수 있는 다른 세션과 다를 것입니다. 제가 여기서 하려는 것은 하나의 프로젝트에 초점을 맞추는 것이 아니라 어떻게 여러 가지 예를 보여주려는 것입니다.
	Dairygold는 JMP를 사용하여 제조뿐만 아니라 비즈니스 전반에 걸쳐 데이터 기반 의사 결정을 좀 더 가능하게 했습니다. 저는 이것이 중요하다고 생각합니다.
	따라서 시작하기 전에 비즈니스에 대한 약간의 배경 지식, 개요 및 우리가 하는 일에 대해 설명하는 것이 중요하다고 생각합니다.
	따라서 Dairygold는 Golden Valleys 중심부에 위치한 첨단 치즈 및 영양 분말 제조 시설을 갖춘 아일랜드 최고의 농부 소유 협동조합입니다.
	알겠습니다. 설명하자면, 협동조합으로서 우리는 기본적으로...기본적으로 우리는 우유 공급업체, 즉 농부의 소유라는 의미입니다.
	그래서 우리는 매일 우유를 공급하는 2,800개의 우유 공급업체가 있고 그들 모두가 주주이기 때문에 원료 공급업체도 비즈니스의 소유자라는 점에서 비즈니스 모델이 다소 이례적입니다.
	그래서 작년 매출은 12억 유로였고 직원은 약 1,200명이고 연간 약 14억 리터의 우유를 처리합니다. 사실은,
	우리는 계절적 사업을 하고 있기 때문에 성수기에는 매일 600만 리터 이상의 우유가 현장으로 유입됩니다.
	우리는 또한 망치에서 가정용 전기 제품, 농기구 및 그 사이의 모든 것을 구입할 수 있는 소매점도 있습니다. 그리고 우리는 또한 공장에서 동물 사료를 생산하는 사업의 농업 측면도 가지고 있습니다.
	따라서 Dairygold는 오랫동안 존재해 왔으며 1908년에 Ballyclough로 시작하여 1919년에 Mitchelstown, 1990년에 Dairygold가 되었습니다.
	그리고 우리는 아마도...그렇지 않을 것입니다...우리는 수년 전 말과 마차로 우유를 배달하는 것으로부터 아주 먼 길을 왔다고 말하는 것이 타당합니다.
	매우 전통적인 조직이고 많은 역사를 가지고 있지만 매우 진보적인 조직이기도 합니다.
	그리고 우리가 먼 길을 왔다고 말할 때, 우리는 현재 유조선 함대와 각 유조선,
	예를 여기에서 볼 수 있습니다. 각 유조선은 약 26,000리터의 우유를 운반하며 우리는 매일 2,800개의 공급업체로부터 우유를 수집합니다. 그리고 그것은 매우 복잡한 공급망입니다.
	우리는 공급업체로부터 우유를 수집할 뿐만 아니라 자동으로 지시하지 않는 경우 치즈 가공 공장에서도 유청을 수집합니다.
	파이프를 통해 다른 사이트로 이동합니다. 그래서 우리는 그것을 유조선에도 모았고 다른 곳으로 옮겼습니다.
	그리고 우리는 다른 고객에게 판매하는 탈지유 농축액과 탈염 유청 농축액에 대해서도 동일한 작업을 수행합니다. 그런 다음 우리가 유통하는 사업의 분말 부분과 치즈 부분도 있습니다.
	그래서 우리는 또한 유럽에서 가장 큰 건조기(?)를 보유하고 있습니다. 특히 여기에서 볼 수 있는 것은 5~6층에 걸쳐 있습니다.
	따라서 지난 5~6년 동안 Dairygold는 공장 전반에 걸쳐 4억 달러 이상을 투자했습니다.
	밀크 풀(?)에서 향후 물량 확대의 니즈를 충족시킬 수 있습니다. 우리가 만드는 제품의 관점에서, 우리는
	대부분의 경우 분유에서 탈지분유 및 단백질 분말과 다양한 유형의 치즈, 특히 치즈와 체다 치즈에 이르기까지 분말 및 치즈입니다.
	그리고 우리는 제과와 피자에서 짭짤한 요거트와 가공식품, 심지어 유아용 분유, 즉 이유식에 이르기까지 여러 부문을 공급합니다.
	그리고 당신이... 오늘 조금이라도 먹었다면 탈지분유나 전지분유도 섭취했을 가능성이 매우 높습니다. 왜냐하면 요즘에는 너무 많은 식품 재료에 널리 퍼져 있기 때문입니다.
	이것이 사업의 배경입니다. 데이터 측면에서 데이터는 풍부하지만 정보는 빈약한 것으로 간주되는 비즈니스가 많이 있다고 말하는 것이 타당하다고 생각합니다.
	그리고 더 많은 데이터를 가지고 있을수록 때때로 더 많은 혼란이 있을 수 있다고 말하는 것도 타당합니다.
	그리고 때로는 모든 정보를 가지고 있고...이 인구가 있고 정확히 무엇에 대한 아이디어가 있다고 말할 수 있다고 생각합니다.
	비즈니스에서 유용한 정보를 얻으려면 추출해야 합니다. 때때로 비즈니스는 해당 데이터로 무엇을 해야할지 정확히 알지 못합니다.
	그리고 Dairygold의 관점에서 우리가 하고자 하는 것은 가정과 직감, 추측과 직관을 사용하는 데 초점을 맞추는 뇌의 오른쪽에서 더 멀리 이동하는 것입니다.
	논리와 수학, 이성과 과학을 사용하는 데 더 중점을 두는 뇌의 왼쪽으로 더 많이 이동합니다. 하지만 이것이 우리가 비즈니스에서 더 많이 사용하고 비즈니스 전반에 걸쳐 더 많은 데이터 기반 의사 결정을 사용하기를 원하는 것입니다.
	한 번은 프리젠테이션에 앞서 Dairygold의 데이터 전략에 대한 요약을 한 페이지에 요약해 달라는 요청을 받았는데 당시에는...
	그 당시에는 확실한 데이터 전략이 없었을 것입니다.
	하지만 지금 여기서 하려는 것은 우리의 실제 데이터 전략이 무엇인지 하나의 그림으로 보여주는 것입니다. 정말 간단합니다.
	그래서 우리는 비즈니스에 존재하는 데이터를 가져와 분석을 사용하여 유용한 정보로 전환하고자 합니다.
	그리고 그 정보로부터 우리는 우리가 가진 핵심 질문에 대한 답을 얻습니다. 때로는 우리가 가진 질문에 대한 답을 얻을 뿐만 아니라 때로는
	우리는 실제로 더 많은 질문으로 끝납니다. 하지만 이것들은 정말 중요하고 정말 강력합니다. 왜냐하면 이것들은 우리가 처음부터 물어볼 줄 몰랐던 질문이기 때문입니다.
	따라서 때때로 우리는 돌아가서 데이터를 다시 살펴보고 이러한 질문에 대한 답을 얻을 수 있도록 도와야 합니다.
	그러나 궁극적으로 우리가 모든 질문에 대한 답을 얻을 수 있는 지점에 도달하면 우리는 훨씬 더 나은 위치에 있고 프로세스에 대해 훨씬 더 많은 통찰력을 갖게 됩니다.
	그리고 그 통찰력으로 우리는 적시에 데이터 기반 결정을 내리고 올바른 방향을 제시할 수 있습니다. 우리를 올바른 방향으로 보내십시오.
	그리고 우리가 프로세스를 충분히 이해하고 통찰력이 충분하다면 해당 데이터를 사용하여 다음을 수행할 수 있어야 합니다.
	미래에 잠재적으로 일어날 수 있는 일을 높은 정확도로 이해합니다. 그래서 좋은 통찰력은 우리가 무슨 일이 일어날지 예측할 수 있는 좋은 예지력도 가질 수 있게 해야 합니다.
	따라서 처음에 말했듯이 이 프레젠테이션의 목적은 Dairygold에서 데이터가 사용된 다양한 방식에 대한 여러 가지 예를 제공하는 것입니다.
	우리는 데이터를 기반으로 의사 결정을 내리는 측면에서 내부 관점에서 긴 여정을 진행하고 있으며 이 시점에서 기계 학습 및 AI의 전체 영역으로 시작하고 있습니다.
	그래서 저는 단순함도 매우 강력할 수 있다고 굳게 믿습니다.
	이것이 바로 이 프레젠테이션이 막대 차트에서 신경망으로 불리는 이유입니다.
	매우 간단한 분석에서 많은 가치를 추출할 수 있다는 점을 강조하는 것이 정말 중요하다고 생각합니다. 여기서 공유하고 싶은 첫 번째 예는 바로 막대 차트입니다.
	하지만 때로는 사람들이 프레젠테이션에 들어가 여러 페이지에 걸쳐 있는 막대 차트를 가질 수 있다고 생각합니다. JMP를 사용하면 모든 정보를 단일 차트에 넣는 것이 매우 쉽습니다.
	보다. 그래서 이 경우에, 우리는 세척 과정에서 질산을 보고 있습니다. 그리고 여기 위에서, 우리는 질산 세척 과정의 모든 단계에 대해 각각의 개별 데이터 포인트를 볼 수 있습니다.
	그리고 각 단계에서 사용된 질산의 양을 볼 수 있습니다. 우리가 보고 있는 다음 단계는...사용 횟수, 즉 해당 단계가 순환된 횟수입니다.
	그리고 여기서 우리는 각 단계에 대한 질산의 평균 사용을 보고 있습니다. 예를 들어,
	알다시피, 우리는 일주일에 24리터가 사용되는 더 높은 평균을 가지고 있지만 그 단계의 발생 빈도는 4번에 불과했습니다.
	여기 이 특이치에 의해 분명히 편향되었으므로 이것은 분명히 편향된 것입니다. 아마도 더 중요한 것은 우리가 여기서 하려는 것은 이해하는 것입니다.
	매일, 매주, 매월 사용된 질산의 양을 줄이는 것은 각 공정 단계에서 공정 전반에 걸쳐 사용된 질산의 합계입니다.
	그리고 중요한 것은...여기서 강조하는 것이 중요한 것 같습니다. 다시 말하지만 이것은 단순한 막대 차트일 뿐이지만 우리에게 큰 방향을 제시했습니다.
	비즈니스에서 우리를 보냈습니다...미안합니다. 접선에서 우리를 보내는 것을 피했습니다. 왜냐하면 우리가 이 모든 데이터를 보았을 때 우리는
	tjree 다른 영역이 뛰어났습니다. 최종 헹굼, 사전 헹굼 및 또 다른 최종 헹굼 단계도 있었습니다. 그리고 데이터는 보여주고 있었다
	그 산은 이러한 헹굼 단계에서 사용되었으며 헹굼 단계에는 물만 포함되기 때문에 불가능합니다.
	따라서 조금 더 파헤쳐보니 스캐너(?) 시스템의 벤더가 처음에 잘못된 데이터 태그를 설정한 것으로 나타났습니다.
	모니터링되는 유량을 위해. 따라서 실제로 질산 사용량을 모니터링한다고 생각했지만 실제로는 그렇지 않았습니다. 우리는 잘못된 정보를 받고 있었습니다. 그래서
	우리는 실제로 시작하여 깊이 파고들어 우리의 프로세스와 프로세스를 주도하는 요소를 이해할 수 있었지만 매우 간단한 막대 차트는 종종 적절한 방향을 중심에 두고 우리 비즈니스에서 실제로 일어나고 있는 일을 정확하게 이해할 수 있었습니다.
	비즈니스에서 막대 차트를 사용하는 것, 솔직히 말해서 이것은 매우 간단하기 때문에 비즈니스에서 막대 차트를 사용하는 것이 가장 좋아하는 것 중 하나일 것입니다.
	하지만 그것은 보여줍니다...다운타임의 네 가지 차원을 한 페이지에 모두 보여줍니다. 정말 간단하고 매우 사용자 친화적이며 직관적으로 사용하고 읽을 수 있다고 생각합니다.
	그래서 여기에 있는 것은 한 달에 치즈 공장에서 모니터링되는 가동 중지 시간의 양입니다. 여기 Y축에서 가동 중지 시간(분)을 보고 계십니다.
	4월, 5월, 6월, 7월 등 6개월 동안 9월까지 내림차순으로, 시간순으로, 정말
	교대조 A, B, C, D 각각에 대해. 분 단위 숫자가 너무 적기 때문에 데이터가 구성되었다고 생각하는 것을 용서받을 수 있지만
	공장이 멈추지 않는 치즈 제조 관점. 이것은 실제 수치입니다. 제 말은 다운타임을 한 달에 몇 분 단위로 모니터링하고 있다는 뜻입니다.
	프로세스가 중단되면 제품의 pH가 변경되어 제품에 악영향을 미칠 수 있습니다.
	제품의 최종 판매 가격과 품질도 중요하므로 멈추지 않는 것이 중요합니다.
	그래서 이것은 유지 관리 관점에서 우리가 있는 수준입니다. 우리는 분 단위로 줄어들었고 여기에서 우리가 분명히 볼 수 있는 것은 BetaVac의 문제가 그리 많지 않다는 것입니다.
	여기에서 Blockmaster의 C에 대한 더 많은 문제가 있습니다. 컨베이어의 이 영역에서 다시 C가 다시 튀어나오고 거스터 C와 D를 위해 다시 튀어나옵니다.
	그리고 여기에서 C와 D에 대한 더 많은 문제가 있을 수 있습니다. 따라서 이 분석에서 추출할 수 있는 것은 시프트 C와 D가 유지 관리 관점에서 약간 어려움을 겪고 있으며 조금 더 많은 지원이 필요하다는 것입니다.
	우리는 특히 동적 연결을 좋아합니다
	데이터 탐색을 위한 JMP의 요소. 그리고 이 경우에 제가 지적해야 할 것은, 우리는 기업 내에 많은 실험실이 있기 때문에 미생물학, 화학, ??? 실험실,
	우유, 치즈, 물, 공정 및 완제품을 테스트하고 수많은 비즈니스 요소를 테스트합니다.
	그리고 이 대화형 연결 기능은 여기에서 볼 수 있듯이 대화형 HTML로 만들어졌습니다.
	비즈니스 전반의 다양한 사람들이 작업하여 저장소를 구축한 다음 이를 보고 상호 작용할 수 있도록 사용되었습니다.
	그래서 여기서 우리가 하려고 하는 것은 비즈니스 내에 존재하는 문제가 있는 저장소를 만드는 것입니다. 그래서 이 경우에는 블록을 강조 표시합니다...죄송합니다. 막힌 튜브와 증발기 CIP 및 전원 차단을 표시하고 있습니다.
	전원 차단을 클릭하면 녹색 막대의 음영 영역이 강조 표시되는 것을 볼 수 있습니다. 따라서 이 경우 8월에 하나 이상의 정전이 발생한 것을 볼 수 있습니다.
	그것은 여기에서 이러한 처리 단계에 영향을 미쳤으며 미생물, 특히 그 과정에서 가장 많이 관찰된 것은 연쇄상 구균이었습니다.
	따라서 여기에서 가치는 요소 관점에서 이 저장소에 문제를 계속 추가할 때 다음을 수행할 수 있다는 것입니다.
	어떤 일이 발생할 때 비즈니스에 대한 위험을 확인하기 위해 미래를 내다보고 다음 번에 정전이 발생하면 연쇄상 구균이 발생할 위험이 더 높기 때문에 이 단계 또는 프로세스에서 테스트 양을 늘려야 한다는 것을 알고 있습니다.
	때때로 막대가 너무 많아서 추가해야 하는 지점에 도달합니다. 계절성과 부드러움을 알고 있습니다.
	더 많은 가시성을 추가합니다. 이것은 우리가 비즈니스에서 가지고 있는 도전이며, 나중에 다루게 될 비즈니스의 계절성 요소입니다.
	그리고 우리는 소가 풀을 먹고 풀이 사용되기 때문에 궁극적으로 우유를 만드는 데 분명히 사용되기 때문에 그리고 아일랜드에서는 날씨가 매우 불안정하기 때문입니다.
	어느 날은 비가 내리고 다음 날은 눈이 내리며 그 다음날은 해가 뜰 수 있습니다. 따라서 계절성 관점에서 볼 때 여기의 각 막대 색상은 서로 다른 연도(예: 2015, 16, 17, 18)를 나타내는 데 사용됩니다.
	그리고 그것은 단지 주말이기도 합니다. 제가 추가해야 할 것은 전체 주말 주문을 그린 중간으로 보고 있다는 것입니다.
	2016년과 17년은 이 m 모양을 가지고 있다는 점에서 다소 비슷하지만 여기서 2018년은 매우 매우 다릅니다.
	예를 들어 우리 모두가 서로에게 눈덩이를 던지고 6주 후에 물 호스 금지와 함께 폭염이 있었습니다.
	비즈니스 내에서 효과적으로 날씨에 의존하는 계절성 데이터를 사용하는 것은 매우 매우 어렵습니다. 그러나 그것은 우리가 시도하고 극복하는 과제 중 하나입니다.
	따라서 트렌드에서...트렌드 관점을 유지하면서 JMP를 프로젝트 중심의 탐색에도 사용합니다. 여기 2,800명의 우유 공급업체가 월평균
	2년 동안 단백질과 지방 결과가 모두 비즈니스에 도입되었습니다. 따라서 여기의 모든 눈금 표시는 이 경우 2018년 9월, 2018년 10월 등을 나타냅니다.
	따라서 우리 공급업체 내부와 공급업체 간에 존재하는 편차의 범위를 보여줍니다. 그리고 유용한 것은 우리가 집중할 수 있고 특히 이 사람에 대해 말할 수 있다는 것입니다. 예를 들어, 이 사람이 왜 그렇게 높은가요?
	그리고 그는 지방과 단백질 모두에 대해 지속적으로 높으며 우리가 다른 공급업체에 가져올 수 있는 이 공급업체로부터 배울 수 있는 것이 있습니까?
	또는 반대로 하단에 다른 공급업체가 있습니까?
	우유에 단백질과 지방 수준을 지속적으로 얻을 수 없기 때문에 우유 전문가의 지원과 도움이 있을 수 있습니다.
	높은. 이것들은 농부들이 돈을 받는 매개변수, 단백질과 지방의 수준이기 때문에 중요합니다.
	이 경우 특히 이 사람은 하루에 한 번만 우유를 짜기로 선택한 극소수의 우유 공급업체 중 한 명이었습니다.
	따라서 그의 지방 및 단백질 수치는 실제로 다른 모든 사람보다 높지만 Dairygold에 돌려줄 양은 적지만 이것이 그의 선택입니다.
	병렬 플롯.
	그리고 이것들은 많은 다른 매개변수에 대해 동시에 한 페이지에 너무 많은 정보를 표시한다고 생각하기 때문에 현재 제가 가장 좋아하는 것입니다.
	이것은 바로 지금 실제로 발생하고 있는 문제이므로 말 그대로 언론에서 화제가 되고 있으며 문제는 실제로 아직 해결되지도 않았습니다.
	여기서 우리가 보고 있는 것은...유동층 건조기와 사이클론의 간헐적인 분말 막힘과 관련이 있습니다.
	이는 기본적으로 분말이 건조기와 사이클론을 막고 있음을 의미합니다. 그리고 우리는 이것을 질식이라고 부릅니다. 그래서 장비가 질식되고 우리는 장비를 멈추고 청소해야 합니다.
	그래서 우리가 여기서 실제로 보고 있는 것은
	30개의 서로 다른 매개변수, 모두 측정됨...모두 여기 X축에 표시됩니다.
	그리고 왼쪽에서 오른쪽으로 가는 각 줄은 이 30개의 매개변수 각각의 설정에 대한 시간의 1분을 나타냅니다. 빨간색은
	초크가 발생하기 전 1시간 동안의 분, 그래서 이것들은 60에 대한 레벨 설정입니다.
	발생...초크가 발생하기 60분 전, 여기 이 빨간색 그룹은 9가지 다른 초크 발생을 나타냅니다.
	좋아요, 여기 위에 540가닥이 아닌 것은 무엇이든지 있습니다. 그래서 이것이 초크가 발생하기 직전에 일어나는 일의 사실상 지문입니다.
	그리고 언제... 우리가 하려는 것은 기계 매개변수 관점에서 일반적인 정상 운영 생산 시나리오와 비교하는 것입니다.
	그리고 정말 좋습니다. 어떻게 비교할 수 있는지 볼 수 있고 서로 위에 오버레이할 수 있을 때 훨씬 더 좋습니다. 저는... 배경에 초크 없음이 유령으로 표시됩니다. 이제 흥미로운 점은 우리가 실제로 볼 수 있다는 것입니다.
	초크 시나리오가 초크 없음과 어떻게 다른지 이해하고 무슨 일이 일어나고 있는지 이해합니다. 예를 들어 현재 탐구 중인 질문은
	알다시피, 우리는 이것이 무엇이든...차압의 수준이 더 낮은 것 같습니다.
	그리고 대부분의 경우 질식할 때 이것이 우리가 주의해야 할 잠재적 기여 요인입니까? 이것이 원인이 되는 것입니까? 일반적인 주문 운영 때문에
	차압이 좋을 때 매개 변수는 여기에서도 높습니다. 다시 한 번 예를 들어 보겠습니다.
	GPS 데이터를 사용하여 공급업체 위치의 패턴과 추세를 시각화하므로 여기에서 우리가 보고 있는 것은 모든 공급업체가 있는 Munster 전 지역과 12월의 단백질 수준입니다. 여기에서 각 점은 비즈니스 내의 공급업체 위치를 나타냅니다.
	그리고 점의 크기는 공급자가 Dairygold에 제공하는 우유의 양을 나타내므로 점의 크기가 클수록 실제로 농장이 더 크다는 것을 의미합니다.
	그리고 여기에 다양한 척도가 있습니다. 여기서 우리는 부피가...미안하지만 단백질 수준이 3.5여야 합니다. 그래서 우리는 그것에 덜 관심이 있고 그것은 회색으로 음영 처리되어 있습니다.
	하지만 3.5보다 큰 것은 녹색으로 표시됩니다. 즉, 그들은 정말 잘하고 있는 사람들이고 빨간색은 아마도
	실례합니다. 아마도 단백질 수치를 높이기 위해 약간의 노력을 기울이고 있을 것입니다. 그래서 여기에서 우리는 우리의 데이터를 사용하여 연락을 취하고 우유 전문가의 지원이 필요한 공급업체가 있는지 확인하고 그들도 도울 수 있어 매우 유용합니다.
	지리적 요소를 고수하면서 우리는 오래된 신화도 잠재울 수 있었습니다. 그래서 이들은
	물 냉각기에서 일어날 수 있는 토론에서 누군가는 NPN이 지리적으로 영향을 받는다고 말할 것입니다.
	NPN은 설명하기에 충분히 어려운 것이므로 여기서는 파인트, 맥주 한 파인트의 비유를 사용하겠습니다. 정말 유리에 가깝다고 생각합니다.
	모두가 알다시피 우유에는 단백질, 지방, 유당, 미네랄, 비타민이 들어 있습니다. 자, 이것들은 좋은 것입니다.
	그리고 그 안에는 다른 많은 물질도 있습니다. 단백질 전체를 살펴보는 경우 전체 파인트를 농부의 우유에서 얻는 단백질이라고 생각할 수 있습니다.
	그러나 그 단백질은 기본적으로 여기서 음료의 액체 부분인 진정한 단백질로 분해될 수 있습니다.
	그리고 우리가 제조 공정에서 실제로 사용할 수 있는 것은 바로 이 비트입니다. 여기 거품이 있는 파인트의 머리 부분은 다른 물질입니다. 요소와 요산 등이 있습니다.
	우리는 모든 단백질에 대해 공급업체에 비용을 지불하지만 불행히도 우리 공정에서 모든 단백질을 사용할 수는 없기 때문에 여기서는 이 조각, 실제 비트 또는 실제 단백질과 같은 부분만 사용할 수 있습니다.
	따라서 공정에 따라 연중 특정 시기에 비단백질 질소인 NPN 수치가 더 높거나 낮을 수 있습니다.
	그런 다음 해당 제품을 특정 사이트로 안내하는 것이 가장 좋습니다.
	이제 다른 사이트를 통해 전략을 세울 수 있습니다. 그리고 질문은 항상 1년 중 특정 시기에 지리적 위치가 전국의 비단백 질소 수준에 영향을 미칠 것이라는 점이었습니다.
	지리적 위치. 여기 보시는 것은 284,000개의 데이터 포인트에서 나온 데이터입니다. 284,000개의 NPN 측정값
	비단백질 질소를 1년 내내 아일랜드 남부 뮌스터의 6개 지역에 걸쳐
	그리고 여기에서 선은 월별로 존재하는 수단과 수단의 차이를 나타내지만 지역별로 색상 관점에서 다른 수단도 나타냅니다.
	여기서 박스 플롯은 각 지역 내 및 사이에 존재하는 변동량을 나타내므로 평균이 다음과 같음을 분명히 알 수 있습니다.
	각 지역에 대해 그리고 변동량이 줄어들 때마다 서로 잘 어울립니다.
	여기 7월에 이 경우 Tipperary에 대한 약간의 예외를 제외하고 모든 지역에서 감소하는 것으로 보입니다.
	그러나 대부분의 경우 한 지역에서 변동이 증가하면 모든 지역에서 변동이 증가합니다.
	그래서 우리는 더 이상...우리는 더 이상 이것과 저것의 잠재력에 대해 이야기할 필요가 없습니다. 우리는 데이터로도 이론을 매우 빠르게 증명하고 반증할 수 있습니다.
	5년마다 우리는 혼합 공급업체에 중간(?) 인구조사를 보내며 공급업체가 농장에서 가질 수 있는 향후 생산량 의도와 문제를 이해하는 데 도움이 됩니다.
	그리고 그것은 사업 방향과 투자 관점에서 회원들의 정서를 나타냅니다.
	그래서 최근에 우리는 2,800명의 공급업체 각각에게 100개가 넘는 질문을 보냈고, 이 경우 우리가 질문한 것은 농장의 성장을 제한하는 요소는 무엇입니까?
	그리고 사람들에게는 9가지 옵션이 주어졌습니다. 그래서 이 경우에는 1에서 9까지의 요소를 고려합니다. 그래서 그들은 그들에게 제시된 요소들을 1부터 9까지 가장 중요하거나 가장 덜 중요한 순서대로 순위를 매기도록 요청받았습니다. 상상할 수 있듯이 2,800개의 결과가 반환됩니다.
	각 공급업체의 결과는 1에서 9까지의 점수를 가지며 그들 중 일부는 항상 1에서 9까지의 점수를 얻지 못했습니다. 그들은 상위 3개만 수행했을 수 있고 다른 일부는 상위 5개 또는 상위 7개 등을 수행했을 수 있습니다.
	따라서 문제는 원하는 경우 Dairygold에 보고하는 전체 농업 커뮤니티를 나타내는 하나의 명확한 그림에서 25,000개의 데이터 포인트를 모두 가장 잘 표현할 수 있는 방법입니다.
	그리고 그 결과는...여기서 대답은 단순히 모자이크 플롯입니다. 우리 공급업체의 응답자 중 48.8%가 요인 4를 가장 중요한 것으로 꼽았다는 것을 여기에서 매우 명확하게 볼 수 있습니다.
	농장 확장에 대한 제한 요소. 그 다음에는 19%가 가장 중요한 1위로 투표하고 23%가 투표한 요인 5가 뒤따릅니다.
	두 번째로. 왼쪽에서 오른쪽으로 갈수록 농부들에게 가장 중요한 요소들을 다시 볼 수 있습니다.
	그래서 여기에서 색상이 정말 중요합니다. 저는 여기서 그 팀과 함께 매우 다른 부분에 대해 계층화된 열 지도를 사용하여 추적하고 있습니다.
	소매 주문. 따라서 이 경우 주말에만 시간대별 주문 건수를 확인합니다.
	우리 매장에 공급하기 위해. 그래서 이것은 2015년부터 2018년까지 4개의 서로 다른 연도의 금요일, 토요일, 일요일에 대한 것입니다.
	그리고 주문이 접수된 날의 시간. 이제 앱에서 농부가 주문을 보낼 수 있고...또는
	그들은 순서대로 울릴 수 있습니다. 하지만 여기에서 금요일에 명확하게 볼 수 있습니다.
	젖소의 착유가 일어나고 몇몇 농부들이 나가서 아침 5시에 알겠습니다. 사료가 더 필요합니다. 앱에서 자동으로 이곳에 주문을 하게 됩니다.
	그리고 다시, 그것은 다시 일어날 수 있습니다, 아마도 12시 정도에 그리고 그것은 무리의 착유 시간 등에 달려 있습니다. 그러나 여기에서 가치는 우리가 할 수 있다는 것입니다.
	주문을 받기 위해 주말 중 가장 바쁜 시간과 주문을 처리해야 하는 시간을 이해하고
	주말에 효과적인 직원 수준을 유지하는 것이 가장 좋은 방법이므로 일요일에 같은 수의 사람들을 금요일에 두는 것은 의미가 없습니다. 아마 더
	Ttme는 집중해야 합니다... 그리고 더 많은 인력을 금요일과 아마도 토요일 아침 일찍 주문을 받는 데 집중해야 합니다. 따라서 우리 매장의 직원 배치 수준이 훨씬 더 효율적이었습니다.
	다시 말하지만, 색상과 멋진 분석이라는 주제를 유지하면서 곧 알게 될 것입니다.
	그러나 색상의 주제를 유지하십시오. 여기에서 보고 있는 것은 큰 치즈 층을 그래픽으로 표현한 출력입니다.
	그래서 제가 크다고 하면 아마 길이가 25미터이고 폭이 2미터일 겁니다. 이 시점에서 모든 커드에서 유장을 제거한 다음 이 치즈 층을 부수고 70조각으로 자릅니다.
	그런 다음 스트립을 5개의 블록으로 자른 다음 왼쪽, 중간, 오른쪽에서 블록의 높이를 측정했습니다.
	그래서 우리가 하려는 것은 이 크고 거대한 치즈 판의 치즈 베드 높이를 측정하는 것입니다.
	그리고 우리가 그것을 할 수 있게 되자, 우리는 실제로 무슨 일이 일어나고 있는지에 대한 정말 좋은 그림을 얻을 수 있었고 치즈 베드의 너비뿐만 아니라 색상을 가이드로 사용할 수 있었습니다.
	따라서 분명히 빨간색은 더 높다는 의미이고 녹색은 약간 더 낮다는 의미입니다. 여기서 밀리미터 단위로 측정하므로 120밀리미터에서 155밀리미터입니다.
	분명히 왼쪽 상단에서 갈 때 약간의 경사가 있음을 알 수 있습니다.
	침대가 실제로 떨어지는 왼쪽과 아래쪽 왼쪽으로 갈수록 높이가 더 높아집니다.
	그래서 이것은 우리에게 정말 중요합니다. 가변성의 관점에서 우리가 이해하려고 하는 것은 다른 것이 있는지... 왜 블록에 차이가 있는지...
	프로세스로 가는 블록의 무게는? 이것은 그 이유 중 하나를 가리키고 있습니다. 그 이유 중 하나는 블록의 높이가 달라지면
	그런 다음 논리는 치즈가 같은 힘으로 압축되면 블록의 무게도 달라질 것이라고 지시합니다.
	따라서 사람들이 특히 비즈니스의 분석적 측면에 정통하지 않은 경우 사진에서 이해하기가 더 쉽습니다.
	분석에 대해 더 자세히 살펴보면 비즈니스 전반에 걸쳐 통계적 프로세스 제어를 많이 사용했으며
	기회를 찾고 개선 사항을 확인하십시오. 여기에서 우리는 이산화탄소 사용량을 살펴보고 있으며 제품, 특히 분말에 현장에서 이산화탄소를 사용합니다.
	제품의 유통 기한을 연장하기 위해 분말을 포장할 때 업계 표준 관행입니다.
	그래서 우리는 공기를 배출하고 가방을 채울 때 이산화탄소를 추가합니다. 하지만 여기에서 볼 수 있듯이 가방을 봉인하지만 여기에서 볼 수 있듯이 특히 2017년에는 많은 변화가 있었습니다.
	그리고 우리는 그 과정을 통제할 수 있었고 2018년까지 삶이 아주 아주 달라졌다는 것을 확신할 수 있었습니다.
	이산화탄소의 평균 사용량이 크게 감소합니다. 여전히 몇 가지 문제가 있으며 조사가 필요한 패턴이 여기에 나타날 수도 있지만
	이러한 종류의 이점에 대한 노크(?)도 있습니다. 왜냐하면 프로세스를 제어할 수 있을 뿐만 아니라 통계적으로 동일함을 입증할 수 있기 때문입니다.
	분말에 이산화탄소가 흡수되는 속도를 효과적으로 평가하기 위한 연구.
	그래서 이것은 정말 중요합니다. 왜냐하면 우리 제품이 어떻게 이산화탄소를 흡수하는지 이해할 수 있다면 다른 이점으로 이어지기 때문입니다.
	지방이 봉지에서 이산화탄소를 흡수하면 이 밀봉된 봉지 내부에 진공이 생기므로 진공을 만들면
	백은 분말 주위를 밀봉하기 시작하고 분말 백을 훨씬 더 단단하게 만듭니다.
	이제 공급망 관점에서 볼 때 운송 및 배송을 위해 이러한 가방을 팔레트에 쌓을 수 있을 때 위험이 줄어들고 삶이 더 쉬워집니다.
	이제는 부드럽고 푹신하고 유연한 베개를 쌓으려는 것이 아니라 콘크리트 블록을 쌓는 것과 같습니다. 그래서 승리가 있습니다. 모든 곳에서 승리하십시오. 우리는
	나는 확실히 코더는 아니지만 아일랜드 사용자 그룹으로부터 많은 도움을 얻었습니다.
	그리고 JMP 커뮤니티에... 그리고 실제로 Intel의 Troy Hickey를 지적할 것입니다. 특히 아일랜드 사용자 그룹에서 우리를 매우 유용하게 도와준 사람입니다.
	JMP 커뮤니티에서 명확성을 찾고 있는 영역에서 손을 뻗어 질문을 하는 것은 훌륭합니다.
	또는 전혀 모르는 분야일 수도 있고 들어본 적도 없는 사람들의 반응을 얻기 위해 전문가의 반응은 물론 훌륭합니다.
	그래서 여기 이 경우에는 일부 JSL을 사용하여 일부 코드를 생성할 수 있었고 이를 생성하고 차트를 제어할 수 있었습니다.
	원하는 경우 탭 형식입니다. 그래서 이 경우 탈지분유, 전지분유, 탈염유청분말, 단백질 측정을 위한 카제인
	우리 연구실에서 테스트합니다. 우리는 현재 약 30개의 서로 다른 테스트를 모니터링하고 있으며 표준과 습식 화학 사이에 존재하는 차이를 모니터링하고 있습니다.
	그리고 수동 방법과 근적외선 방법 사이에 존재하는 차이, 즉 자동화 방법도 있습니다.
	그리고 우리는 예를 들어 습식 화학에 대한 표준을 보고 있다면 제로 목표를 목표로 하고 싶습니다. 우리는 실험실에서 테스트한 결과와
	표준은 그래야 한다고 말합니다. 그래서 우리는 0의 목표를 원하고 이것은 우리에게 보여줍니다. 이 경우에
	단백질, 탈염 유청 분말, 우리는 약간 벗어났습니다. 우리는 .04이고 프로세스의 프로필을 추적할 수 있으며 다음을 얻을 수 있습니다.
	프로세스 전환이 발생했음을 알려주는 프로세스입니다. 따라서 9개의 데이터...이 경우에는 평균 위의 행에 적어도 9개의 데이터 포인트가 있습니다.
	그리고 우리는 프로세스를 중지하고 더 이상 계속하지 않아야 함을 알고 있습니다. 조사하고 문제를 바로잡기 위해 무언가를 배치해야 하기 때문입니다. 이 경우 프로세스가 변경됩니다.
	그래서 이것은 우리에게 매우 긍정적이었고 우리는 지금 이 설정을 가지고 있고 매일 실행되고 있음에도 불구하고
	수백, 수백, 수천, 이 데이터 지점에서도 스크립트가 설정되어 제어 한계가
	프로세스의 이전 데이터를 기반으로 합니다. 여기에서 JMP 커뮤니티에 연락하는 것이 정말 좋습니다. 면에서
	트럭이 사업체에 도착하는 시간입니다. 이 경우에는 54,000대의 유조선이 자정부터 자정까지 4개의 다른 사이트에 도착합니다.
	그리고 배송 시간부터 사이트까지 존재하는 다양한 분포에 대한 감각을 제공하는 것이 정말 좋습니다. 그리고 이것은 우리에게 중요합니다. 왜냐하면 우리는 원하지 않기 때문입니다.
	우유를 내리고 가능한 한 빨리 사이트를 떠납니다. 우리는 우리가 가진 경우를 원하지 않습니다
	많은 무리가 있고 아마도 현장에서, 여기 시나리오에서 다른 트럭 뒤에 트럭이 줄을 서는 경우가 있을 수 있습니다. 우리는 그것이 전체 프로세스를 통해 좋은 흐름이 되기를 바랍니다.
	그리고 여기서는 예를 들어 아침 8시부터 9시까지 볼 수 있습니다.
	사람들이 아마 아침을 먹으러 갔을 겁니다. 우리의 트래픽은 더 많고 사이트로의 배달도 많지 않습니다. 여기도 마찬가지입니다. 트래픽은 저녁에 더 많습니다.
	그리고 트럭이 제지당하거나 가버렸습니다....운전자들이 저녁을 먹으러 가버렸습니다. 그래서 우리는 그것에 대해 조금 더 깊이 파고들어 서로 다른 사이트 각각에 대해 괜찮다고 말할 수 있습니다. 두 사이트, 이 경우 Clonmel Road와 Castlefarm,
	도착하는 도로의 경우, 이 사이트는 서로 정말 가깝습니다. 북쪽, 남쪽, 동쪽 및 서쪽 방향으로 도착하는 도로의 경우,
	어떻게 생겼고 우리가 원하는 데이터에 명확한 분포가 있습니까?
	예를 들어 동쪽에서 24시간 동안 배달하지 않는 운송업자가 있습니까? 그리고 우리는 무슨 일이 일어나고 있는지 이해할 수 있고 그 정보도 얻을 수 있습니다.
	예를 들어, 펌프 오프로드 속도에서 괜찮습니다. 이 경우 오프로드 중인 11개의 펌프가 있는 두 사이트가 있기 때문입니다.
	1년에 두 곳의 현장에서 5억 리터 이상.
	그리고 우리는 어떤 펌프가 다른 펌프보다 더 효율적인지 이해하려고 노력하고 싶습니다. 그리고 명확하게 여기서 오프로드 비율이 더 높은 4개의 펌프가 있음을 알 수 있습니다.
	그래서 그들은 같은 시간에 더 빠르고 더 많은 우유를 펌핑할 수 있고 아마도 다른 펌프 중 일부일 것입니다. 그리고 여기서 볼 수 있는 것은
	사이트 2에서 펌프 3번이 가장 효율적인 펌프인 반면 전체 펌프 4와 펌프 3은 효율성이 가장 낮은 펌프입니다. 따라서 유지보수 점검을 받으려면 먼저 점검해야 할 펌프라는 것을 알 수 있습니다.
	우리는 측정 시스템의 우수성과 기회를 평가하기 위해 JMP를 사용합니다.
	여러 번 더 이상 추적조차 할 수 없습니다. 이 경우 정형인산염(?)을 보면 표준 게이지 R&R이고 결과가 정말 좋습니다. 그래서 거기
	19 별개의 범주의 수; 19는 우수하고 게이지 R&R은 .5이므로 10 미만이 이상적이며 이는 우리가 정말 훌륭하다는 것을 의미합니다.
	지속적으로 신뢰할 수 있는 측정 시스템. 그리고 분석가에게 전달하려는 부분에 관계없이 그들은 돌아와서 동일한 결과를 제공할 것입니다.
	따라서 테스트를 수행하는 사람은 테스트 결과에 영향을 미치지 않습니다. 이는 항상 보고 싶었던 것입니다.
	때때로 우리는 주관적인 측정 시스템을 가질 수 있으며 속성 일치 분석도 수행해야 합니다.
	그래서 이 경우에 우리는 당신이 포장된 제품의 시각적 평가를 알고 있는 것을 보고 있고 당신은 둥근 정도나 손상된 가장자리 또는 엠보싱과 같은 것을 찾을 수 있습니다.
	가독성 등등. 따라서 개선이 이루어진 후 여기에서 볼 수 있듯이 평가자 내에서 90~95%의 동의가 있습니다.
	전반적으로 일치하는 부분이 82%라는 것을 알 수 있습니다.
	각 연산자 내에서...각 연산자 내에서, 그러나 아마도 더 중요한 것은 효율성, 즉 표준에 대한 정렬입니다.
	그리고 우리는 표준에 동의하는 것이 이제 96%라는 것을 나중에 여기서 볼 수 있습니다. 그래서 정말 좋습니다. 그리고 다시 말하지만, 우리 제품이 주관적일 때에도 신뢰할 수 있는 등급을 매길 수 있다는 것을 알고 계실 것입니다.
	다양한 요인의 효과를 정량화하기 위해 실험을 설계할 수도 있습니다. 따라서 이 경우 유청 단백질 질소 지수인 WPNI를 살펴보고 있으므로 이는 측정 수준입니다.
	우리 제품의 단백질 변성은 제품이 받은 열처리 수준을 나타내는 지표이며,
	실례합니다. 열처리 수준이 응용 프로그램에 영향을 줄 수 있기 때문에 정말 중요할 수 있습니다.
	고객 관점에서. 예를 들어 잘못된 수준의 열처리가 적용되면 우리 제품을 사용하여 요구르트를 만들려는 고객이
	그러면 제품이 적합하지 않을 것입니다. 알갱이 같은 느낌, 입에 입에 입에 넣는 느낌 등이 남을 수 있기 때문입니다. 따라서 요거트와 같은 제품에는 적합하지 않습니다.
	그래서 우리는 일관되지 않은 유청 단백질 질소 지수 결과에 문제가 있었고 우리 절차에서 약간의 모호성이 발견되었습니다.
	해석의 여지가 있다는 점에서. 그래서 그것은 이렇게 말할 수 있습니다.
	이 유리병을 흔드세요. 그냥 흔들라고 하면 누군가는 "예, 5초 동안 흔들겠습니다.
	그래서 모든 사람이 최선의 의도로 절차를 따르고 있었지만 절차가 모호하면 해석의 여지가 있고 불일치로 이어질 수도 있습니다.
	그래서 우리가 하려고 하는 것은 공정의 변화에 영향을 줄 수 있는 요인을 이해하기 위한 실험을 설계하는 것입니다.
	여기서 우리는 염화나트륨 용액을 알고 있습니다. 즉, 시작 막대가 있고 시작 막대가 없는 소금물 용액입니다.
	뜨거운 곳에서 45분 또는 60분 동안 유지한 다음 여기에 해당 솔루션을 사용하고 여기에 있는 이 작은 테스트 계획은...수조 온도는 37도와 40도이며 이것은 여기에 색으로 표시된 네 가지 솔루션 중 하나입니다.
	그리고 우리는 수조 흔들림 간격과 염산도 사용되었다고 생각하는 방울 수를 가지고 있습니다.
	그리고 다시 대화형 탐색기를 사용하여 WPNI 결과가 낮을 때 프로세스가 어떻게 진행되고 있는지 확인할 수 있습니다. 약간
	여기에서 무슨 일이 일어나고 있는지 이해하기가 더 어렵습니다. 그래서 분명히 우리는 조금 더 나아가서 몇 가지 모델을 구축하고 무슨 일이 일어나고 있는지 이해하기 시작해야 합니다.
	여기서 모델은 우리가 이야기하는 강점 측면에서 상당히 훌륭합니다. R 제곱은 약 68%에 불과합니다.
	여기에서 가장 큰 주요 효과는 수조 온도이고 그 다음이 교반 막대 지속 시간과 핫플레이트 상호 작용 효과입니다.
	그리고 효과도 볼 수 있습니다. 어떤 매개변수가 당기고 있는지...어떤 효과가 당기고 있는지
	어떤 방향으로 나아가는 과정. 그리고 여기 하단에도 중요한 예측 프로파일러가 있습니다. 무슨 일이 일어나고 있는지 알아볼 수 있습니다.
	내가 좋아하는 것, 그리고 당신이 결과물을 사용할 수 있다는 것, 때때로, 음, 나는 때때로 이러한 실험들 중 일부로부터의 결과물을 교육적 관점에서 사용합니다.
	그래서 앞서 말씀드린 바와 같이 핫플레이트의 교반 막대와 지속 시간이 중요한 요소이며 이것은 상호 작용 효과입니다. 따라서 한 요소의 효과가 다른 요소의 레벨 설정에 따라 달라지는 경우입니다.
	하지만 페이지에서 누군가에게 상호 작용 효과를 설명하려고 시도할 수 있습니다. 우리는 교차선을 가지고 있고 교차선은 존재한다는 것을 의미합니다.
	강한 상호작용이고 선들이 평행하지만 교차할 것처럼 보이면 작은 상호작용입니다. 또는 실제로 데이터를 가져와 플롯할 수 있습니다.
	그리고 이 경우에 많은 사람들이 실제로 두 가지 요소가 있는 상호 작용이 어떤 것인지 보지 못했습니다. 이것이 상호 작용의 모습입니다...상호 작용은 다음과 같이 사용될 수 있습니다.
	교육 도구로도. 그래서 우리의 경우 여기 y축에 WPNI 결과가 있습니다. 죄송합니다. 예, y축에 있습니다.
	핫플레이트의 지속 시간은 45분과 60분입니다. 따라서 교반 막대가 없는 45분에 고정하고 전환하면...45분을 유지하고 교반 막대로 전환하면 이 수준에서 이 수준으로 점프한 것을 볼 수 있습니다.
	반면에 60분으로 이동하면...WPNI 레벨이 여기에 있고 교반 막대가 없으며 교반 막대로 점프하면 아래로 점프하는 것을 볼 수 있습니다. 그래서
	점프는 여기만큼 많지는 않지만 즉시 교반 막대와 핫플레이트의 지속 시간에 영향을 미치는 상호 작용이 상당히 크다는 것을 보여줍니다.
	이것이 바로 많은 프로세스 지식과 이해를 통해 이루어지고 있는 것입니다. 일부 분류 도구도 사용할 수 있으므로 이 경우 의사 결정 트리를 시도하고 이해해야 합니다.
	그래서 이것은 치즈 브라우닝과 관련된 R&D의 질문이며, 들리는 대로 치즈의 브라우닝과 관련이 있습니다.
	피자처럼 열이 약간 가해질 때 오븐에서. 그래서 우리는 치즈가 너무 빨리 타는 것을 원하지 않습니다. 피자에 체다 치즈가 있다면 너무 빨리 타는 것을 원하지 않습니다.
	당신은 약간의 삶과 요리법을 원합니다. 그래서 다시, 여기 분류의 예가 있습니다. 죄송합니다. 결정 트리입니다. 여기에서 우리는
	세 가지 다른 수준, 원하는 경우 나무로 표시되는 밝은, 중간 및 어두운 갈변, 색상은 녹색,
	각각 호박색과 빨간색. 그리고 여기서 달리기 시 pH가 가장 중요한 요소임을 알 수 있는데, 특히 달리기 시 pH가 6.48보다 크면,
	그러면 공정의 99.3%가 우리가 원하는 밝은 갈색으로 변한다는 것을 알 수 있습니다. 녹색은 좋음, 빨간색은 나쁨. 마찬가지로, 우리는 pH가 6.48 미만이고 다음과 같은 경우 위험에 처해 있음을 알고 있습니다.
	그리고 우리는 샘플을 채취하여 우리 블록에 있는 치즈, 문자 그대로 20kg 블록에 있는 치즈를 모서리에서 가져옵니다. 그러면 우리는 31%의 확률로
	짙은 갈색으로 변하므로 좋지 않을 것입니다. 따라서 이러한 관점에서 우리는
	개체 수인 카운트도 원인이 되며 트리에서 리프 노드의 종료 측면에서도 마찬가지입니다. 그래서 당신은 얻을 수 있습니다
	가장 잘 분리되는 중요한 요소(이 경우에는 브라우닝 분류) 측면에서 프로세스에서 진행 중인 작업에 대한 좋은 감각입니다.
	여기에서 은밀한 부트스트랩 포레스트라고 합니다. 왜냐하면 이것이 JMP 내에서 충분히 활용되지 않는 도구라고 생각하기 때문입니다. 의사 결정 트리가 무엇을 하고 어떻게 작동하는지 이해한다면 이것이 매우 강력한 도구라는 것을 이해하게 될 것입니다.
	솔직히 말해서 의사 결정 트리에 사용되는 알고리즘이 반복 이분법인지 아닌지 잘 모르겠습니다.
	C 4.5 또는 5.0 또는 무엇이든 상관없지만 내가 아는 것은 예측자 선별이 백그라운드에서 의사결정 트리 알고리즘을 활용하고 부트스트랩 포레스트를 사용한다는 것입니다.
	교체를 통한 샘플링도 마찬가지입니다. 이 트리를 여러 개 만들고 모두 함께 붙인 다음 원하는 경우 트리의 평균 결과를 제공합니다. 따라서 이 경우에 그것을 지적하고 이것은
	이전에 30개의 서로 다른 기계 매개변수에 대한 병렬 플롯 예를 보면 실제로 31개가 있다는 것을 알 수 있습니다.
	제가 팀으로 돌아가서 이 노즐 공기압에 대해 뭔가 다른 점이 있다고 말했고 그것은 중요한 요소인 것 같고 예측기 스크리닝이 저에게 그것을 말해주기 때문입니다.
	방 뒤에서 손이 올라갔고 그들은 실제로 이렇게 말했습니다.
	모든 매개변수 중 실제로 기계 매개변수가 아니기 때문에 아마도 거기에 있어야 할 매개변수가 아닐 것입니다.
	그리고 아니나 다를까, 이것은 페이지에서 뛰어내린 것이므로 별도로 꺼내서 평가해야 했습니다.
	프레젠테이션 측면에서도 거의 다 왔습니다.
	모델을 사용하여 미래의 성과를 예측함으로써 통찰력에서 예측으로 나아가고 있습니다.
	여기에서 1,438개의 관찰을 기반으로 76%의 모델 효율성으로 상당히 강력한 모델을 만들었습니다.
	문제는 연중 어느 요일, 어떤 주에 비즈니스에 들어오는 주문 수와
	또한 우리가 받을 주문 수를 예측합니다...죄송합니다. 같은 날 받을 주문 수량도 예측하시겠습니까?
	그래서 우리는 모든 과거 데이터를 가져오고 예측 프로파일러를 사용하여 계절성 관점에서 예측하려는 항목에 가장 일반적인 연도를 선택할 수 있었습니다.
	그런 다음 해당 월, 원하는 날짜, 요일로 이동한 다음 공휴일인지 여부를 확인합니다.
	보시다시피 여기에 두 가지 다른 설정이 설정되어 있습니다. 하나는 공휴일이 있을 때이고 다른 하나는 그렇지 않을 때입니다.
	공휴일과 요일 간의 상호 작용 효과도 있습니다. 그래서 우리는 사업에 다시 갈 수 있습니다.
	공휴일 주말이 아닌 목요일인 2019년 10월 26일 주중 요일에 120건의 주문이 들어올 것으로 예상하고 1,100미터톤 미만의 제품도 들어올 것으로 예상합니다.
	그래서 우리는 실제로 두 주말에 걸쳐 이것을 실행했습니다. 공휴일이 있고 공휴일이 없는 주말에는 실제로 85%였습니다. 정말 좋습니다. 그래서 모형이 76%인데도 실제로는 꽤 좋게 나왔습니다.
	그런 다음 통찰에서 예견으로, 우리가 다시 찾고 있는 곳은...계절의 진실성을 설명하려고 노력하는 것입니다.
	2015년, 16년, 17년, 18년 등 다양한 색상으로 표시되는 연도가 다릅니다. 그리고 우리는 숫자를 보고 있습니다... 일부 피드 수량 주문이 들어오고 있습니다.
	사업. 각 점은 주간 주문 수량을 나타내며 여기서 과장된 것은 실제 예측 모델을 오버레이하여 예측된 값이
	그 주마다. 그리고 실제에 대한 정확도 측면에서 모델이 어떻게 되는지 확인할 수 있습니다. 즉, 실제 대 예측된 것입니다.
	그런 다음 사용할 수 있게 되었고 솔직히 기억이 나지 않습니다... 계절별 지수 예측 또는 계절별 ARIMA였습니다.
	계절 ??? 메트릭 이동 평균을 사용하여 향후 6개월이 어떻게 될지 결정합니다.
	그리고 다시 한 번 계절성이 문제인 비즈니스에 매우 중요하며, 이러한 도구를 사용하여 향후 비즈니스에서 기대할 수 있는 주문 수준을 이해할 수 있는 높은 수준의 자신감을 가질 수 있습니다.
	그리고 마지막으로, 우리가 신경망이 아닌 영역에 들어간 적이 없기 때문에 우리에게 약간의 확장이 있다고 생각합니다. 이 경우에는 신경망을 사용하여 프로세스에서 퇴적물을 등급화할 수 있는지 이해하기 위한 시험으로 사용합니다. 따라서 ADPI 결과가 있으면
	침전물 패드와 우리는 건조 과정 등에서 아마도 그을린 입자의 양을 보고 있습니다. 우리는 어디에 있습니까? 레벨 A, B, C 또는 D입니까?
	여기서 체 결과는 체에 남겨진 입자의 수를 나타내고 텀블러 결과 T1B1은 상단과 하단을 나타냅니다.
	T1은 물 위에 떠 있을 수 있는 입자의 수를 나타내고 B는 바닥에 있는 입자의 수를 나타내므로 침전물이 바닥으로 가라앉았습니다.
	그리고 다시 여기 신경망에서 K 겹 교차 검증과 함께 사용하므로 K가 10으로 설정되었다고 생각합니다. 우리는 아홉
	여기에서도 활성화 기능이 있다고 생각합니다. 예 쌍곡선....선형, 가우시안, 쌍곡탄젠트도 마찬가지입니다.
	그리고 우리는 이들 각각을 사용할 수 있습니다
	인렛 노드도 활성화 기능에 공급할 수 있으며 여기에도 최종 결과를 제공하는 출력 레이어가 있습니다. 그래서 우리는 사용할 수 있습니다,
	이 경우 6,245개의 결과가
	모델을 훈련한 다음 교차 유효성 검사를 사용하여 유효성을 검사한 후에 여기에서 혼란 매트릭스를 만들 수 있습니다. 이 역시 매우 좋습니다. 내 말은 A1/A2에 값이 많지 않다는 뜻입니다.
	A1과 마찬가지로 B 등급까지 내려갔지만 A2 등급이 있는 경우
	우리는 그들 중 35명이 진정한 2명이고 2명만이 A1이 될 것이라고 예측했습니다. 그래서 약간의 오류가 있을 수 있고 오류는 모델이 어땠는지에서 올 수 있습니다.
	알다시피, 처음에는 이들 각각에 존재하는 차이를 수동으로 평가하려고 시도했던 채점자가 만들었습니다.
	결과에 약간의 모호성이 나타나고 최종 결정을 내리려고 합니다. 그래서 저는 여기서 질문이 있다고 생각합니다. 기계가 최종 호출이 무엇인지를 상당히 정확하게 예측할 수 있습니까?
	그리고 다시, 여기서 A1 등급을 받을 확률은 텀블러 결과가 T1B1이고 플로터나 싱커가 거의 없는 경우 상당히 높을 것으로 예상할 수 있습니다.
	입자의 양 측면에서 체 결과도 상당히 낮았다면 A1에 대한 결과가 여기에 있을 것으로 예상할 수 있습니다.
	여기에서 A1을 보고 있다는 사실은 모델 교육이 그다지 효과적이지 않았으며 모델에 약간의 오류가 있었을 수 있음을 나타낼 수 있습니다.
	그리고 다시 여기에서 생성된 매우...매우 복잡한 모델을 볼 수 있습니다.
	하지만 우리 모두가 신경망 관점에서 알고 있는 것처럼 약간의 블랙박스라는 것을 알고 있습니다. 그러나 다시 말하지만, 우리가 전체 기계 학습 공간과 AI를 향해 나아가기 시작하면서 엄청난 양의 프로세스 지식과 개념 증명이 필요하다고 생각합니다.
	그래서 저는 제가 사람들에게 많이 해고했고, 꽤 성급했다는 것을 압니다. 아마 몇 시간 동안 모든 일에 대해 이야기하고 사과할 수 있을 것입니다...급하게 느껴졌다면 죄송합니다. 하지만 제가 말하고자 하는 것은 결론적으로 생각한 것입니다
	어떤 산업에 속해 있든 일반적인 데이터 분석 환경에서 매우 멀리 떨어진 농업 산업에 있더라도 어떤 산업에서든 사용할 수 있다는 것이 입증되었다고 생각합니다.
	데이터 분석을 통해 비즈니스에 상당한 가치를 추가하고 비즈니스의 거의 모든 부분에 다가가 도움을 줄 수 있습니다.
	또한 단순한 그래픽 분석의 가치를 과소평가하지 말라고 말하고 싶습니다. 이 프레젠테이션의 중간쯤에서 JMP에 내장된 보다 강력한 분석 기능을 소개하기 시작했고
	모든 멋진 도구를 사용하는 방법을 알고 있고 시간과 장소가 있다는 것은 대단한 일이라고 생각합니다. 하지만 단순함도 정말 강력할 수 있으며 그 가치를 과소평가하지 마세요.
	그 외에는 모두 경청해 주셔서 감사합니다. 정말 감사드리며 질문이나 의견이 있으시면 언제든지 환영합니다. 감사합니다.

베스트 오브 서밋탈주데이터 시각화Re: Dairygold에서 데이터 추출: 막대 차트에서 신경망까지(2021-EU-30MP-735)

훌륭한 프레젠테이션 Kieran. 비즈니스 전반에 걸쳐 다양한 사용 사례를 볼 수 있어 좋습니다.

Re: Dairygold에서 데이터 추출: 막대 차트에서 신경망까지(2021-EU-30MP-735)

다양한 데이터 분석이 어떻게 비즈니스에 가치를 제공할 수 있는지에 대한 개요를 제공하는 훌륭한 프레젠테이션입니다. 사용 사례와 이것이 Dairygold에 가치가 있었던 이유를 잘 설명했습니다!

Re: Dairygold에서 데이터 추출: 막대 차트에서 신경망까지(2021-EU-30MP-735)

안녕 키어런,

 

이 프레젠테이션에 사용할 저널이 있습니까? 내가 정말 좋아하고 다시 만드는 데 관심이 있는 그래프는 거의 없습니다. 저널은 분명히 이러한 차트를 만드는 메커니즘을 이해하는 데 도움이 될 것입니다. 감사합니다.

Re: Dairygold에서 데이터 추출: 막대 차트에서 신경망까지(2021-EU-30MP-735)

정말 환상적인 개요. Dairygold가 이 접근 방식을 수용하고 분석 도구에 의존하기 위해 취한 여정에 대한 관점을 담은 후속 프레젠테이션에 관심이 있습니다. 이 프레젠테이션은 현재 비즈니스 운영 방식의 중심인 것처럼 보이게 했습니다.

 

발표자는 또한 조직이 생성하는 모든 데이터가 분석을 위해 쉽게 액세스할 수 있는 것처럼 보이게 했습니다. 이는 그 자체로 매우 인상적이며 해당 주제만 다루는 전체 프레젠테이션이 될 수 있습니다. 잘하셨어요!

 

 

Re: Dairygold에서 데이터 추출: 막대 차트에서 신경망까지(2021-EU-30MP-735)

멋진 프레젠테이션 Kieran. 그리고 당신은 한 시간 동안 정말 많은 일을 해냈습니다 – 인상적입니다!