Vocero
|
Transcripción
|
| Kieran O'Mahony |
Bien, muchas gracias, mi nombre es Kieran O'Mahony y soy el gerente de análisis y ciencia de datos de Dairygold en Irlanda. |
| |
Y el título de mi presentación es Ordeñar los datos en Dairygold desde los gráficos de barras a las redes neuronales. |
| |
Por lo tanto, creo que es justo decir que el uso de análisis de datos generalmente está más asociado con industrias como las finanzas y la salud, productos farmacéuticos, semiconductores y similares, y probablemente sea raro que las palabras, agricultura y análisis se encuentren en la misma oración. . |
| |
Así que esta sesión está destinada a dar una idea de cómo algunos muy ... cómo una empresa muy tradicional ha adoptado y fomentado el uso de la analítica en toda la empresa. |
| |
Así que esta sesión probablemente será diferente a las otras sesiones que puede ver en Discovery, en el sentido de que lo que estoy tratando de hacer aquí es menos enfocarme en un proyecto, sino mostrar múltiples ejemplos de cómo |
| |
Dairygold ha utilizado JMP para permitir algunas decisiones más basadas en datos en toda la empresa, y no solo en la fabricación, que creo que es importante. |
| |
Entonces, antes de comenzar, supongo que es importante brindar un poco de información sobre el negocio, una descripción general y lo que hacemos. |
| |
Así que Dairygold es la cooperativa de agricultores líder en Irlanda con instalaciones de fabricación de quesos y polvos nutricionales de vanguardia ubicadas en el corazón de los Valles Dorados. |
| |
Bien, solo para explicar que, como cooperativa, básicamente ... básicamente significa que somos propiedad de los proveedores de leche, por lo tanto de los agricultores. |
| |
Entonces tenemos 2.800 proveedores de leche que nos suministran leche diariamente y todos y cada uno de ellos son accionistas, por lo que el modelo de negocio es un poco inusual en el sentido de que los proveedores de materias primas también son los dueños del negocio. |
| |
Así que el volumen de negocios el año pasado fue de 1.200 millones de euros y tenemos unos 1.200 empleados y procesamos unos 1.400 millones de litros de leche al año, por lo que nos llega mucha leche a diario. De hecho, |
| |
en el pico, debido a que tenemos un negocio estacional, en el pico de producción estamos hablando de más de 6 millones de litros de leche que llegan a los sitios a diario. |
| |
También tenemos tiendas minoristas, donde puede comprar cualquier cosa, desde un martillo hasta aparatos eléctricos domésticos y equipos agrícolas y todo lo demás. Y también tenemos el lado agrícola del negocio, donde producimos alimentos para animales en nuestros molinos. |
| |
Entonces, Dairygold ha existido durante mucho tiempo, y comenzó en 1908 como Ballyclough y luego se convirtió en Mitchelstown en 1919 y luego en Dairygold en 1990. |
| |
Y probablemente hayamos llegado ... bueno, probablemente no ... es justo decir que hemos recorrido un largo camino desde que la leche fue entregada en caballos y carruajes, hace tantos años. |
| |
Es una organización muy tradicional y tiene mucha historia, pero también es una organización muy progresista. |
| |
Y cuando digo que hemos recorrido un largo camino, saben que tenemos una cadena de suministro muy grande con una flota de camiones cisterna ahora, y cada camión cisterna, |
| |
puede ver un ejemplo aquí, cada camión cisterna transporta alrededor de 26.000 litros de leche y nosotros recolectamos leche diariamente de nuestros 2.800 proveedores. Y es una cadena de suministro muy compleja en el sentido de que |
| |
no solo recolectamos leche de nuestros proveedores, sino que también recolectamos suero de nuestras plantas de procesamiento de queso, si no lo estamos dirigiendo automáticamente |
| |
a través de una tubería a un sitio diferente. Así que lo recogemos también en camiones cisterna y lo transportamos a otros sitios. |
| |
Y hacemos lo mismo con el concentrado de leche descremada y el concentrado de suero desmineralizado que vendemos a otros clientes, y luego también tenemos la parte en polvo y la parte del queso del negocio donde también distribuimos. |
| |
Así que también tenemos algunos de los secadores más grandes (?) De Europa. Aquí puede ver uno en particular que abarca cinco o seis pisos. |
| |
Entonces, en los últimos cinco o seis años, Dairygold invirtió más de 400 millones en todas las plantas, por lo que es seguro ... asegurarnos de que tenemos ... |
| |
podemos satisfacer las necesidades de la futura expansión de volumen en la piscina de leche (?). En términos de productos que fabricamos, hacemos |
| |
polvos y queso, en su mayor parte, desde leche entera en polvo hasta leche desnatada en polvo y proteínas en polvo y muchos tipos diferentes de queso, especialmente queso y cheddar. |
| |
Y suministramos a múltiples sectores, desde confitería y pizza hasta salados, yogur y alimentos procesados e incluso también fórmula de leche infantil, así como alimentos para bebés. |
| |
Y es probable que ... si ha comido algo hoy, es muy probable que también haya consumido algo de leche desnatada en polvo o leche entera en polvo porque es muy común, en estos días, en tantos ingredientes alimentarios. |
| |
Así que ese es el trasfondo del negocio. En términos de datos, creo que es justo decir que hay muchas empresas que se consideran muy ricas en datos pero pobres en información. |
| |
Y también es justo decir que cuantos más datos tenga, a veces lo que puede ir con eso es también mucha más confusión. |
| |
Y a veces creo que es justo decir que incluso cuando tienes toda la información y tienes ... entonces tienes esta población y tienes, ya sabes, una idea de qué es exactamente |
| |
necesita extraer para obtener información útil de la empresa, a veces las empresas no saben exactamente qué hacer con esos datos. |
| |
Y desde la perspectiva de Dairygold, lo que queremos hacer es intentar alejarnos más del lado derecho del cerebro, donde se enfoca en usar, supongo, suposiciones, instintos, conjeturas e intuición, |
| |
y moverse más hacia el lado izquierdo del cerebro, donde se centra más en el uso de la lógica, las matemáticas, la razón y la ciencia, pero esto es lo que queremos utilizar más en el negocio y utilizar más la toma de decisiones basada en datos en todo el negocio. |
| |
Una vez, antes de una presentación, me pidieron que hiciera un resumen de la estrategia de datos de Dairygold y que lo hiciera en una sola página, y supongo que en ese momento yo ... |
| |
Fue entonces cuando me di cuenta de que probablemente no teníamos una estrategia de datos sólida en ese momento. |
| |
Pero lo que estoy tratando de hacer aquí ahora es mostrar en una sola imagen cuál es nuestra estrategia de datos real y es realmente simple. |
| |
Por eso, queremos tomar los datos que existen en el negocio y utilizar la analítica para convertirlos en información útil. |
| |
Y de esa información obtenemos respuestas a las preguntas clave que teníamos y, a veces, no solo obtenemos respuestas a las preguntas que teníamos, sino que a veces |
| |
de hecho, terminamos con más preguntas. Pero estas son realmente importantes y realmente poderosas, porque son preguntas que no sabíamos hacer desde el principio. |
| |
Por eso, a veces necesitamos volver atrás y analizar nuestros datos nuevamente y ayudarnos a obtener respuestas a estas preguntas. |
| |
Pero, en última instancia, cuando llegamos al punto en el que tenemos respuestas a todas nuestras preguntas, estamos en una posición mucho mejor y tenemos mucha más información sobre nuestros procesos. |
| |
Y con esa información, podemos tomar algunas decisiones oportunas basadas en datos y darnos el derecho ... envíenos a enviarnos en la dirección correcta. |
| |
Y si entendemos nuestro proceso lo suficientemente bien, tenemos suficiente conocimiento, entonces deberíamos poder usar esos datos para poder |
| |
comprender lo que potencialmente podría suceder en el futuro, con un alto grado de precisión. Por lo tanto, una buena información debería permitirnos tener una buena previsión también, donde podamos predecir lo que sucederá. |
| |
Entonces, como dije al principio, el propósito de esta presentación es dar una serie de ejemplos de las diferentes formas en que se han utilizado los datos en Dairygold. |
| |
Diría que, ya sabes, estamos en un largo camino desde una perspectiva interna, en términos de tomar decisiones basadas en nuestros datos, y estamos comenzando en el área completa del aprendizaje automático y la inteligencia artificial en este punto. |
| |
Así que creo firmemente que lo simple también puede ser muy poderoso. |
| |
Y es por eso que esta presentación se llama de gráficos de barras a redes neuronales. |
| |
Y creo que es muy importante destacar que se puede extraer mucho valor de análisis muy simples. Así que el primer ejemplo que quiero compartir aquí es solo gráficos de barras. |
| |
Pero a veces creo que la gente puede ir a presentaciones y tener un gráfico de barras que abarque varias páginas y, con JMP, es muy fácil poner toda la información en una sola |
| |
vista. Entonces, en este caso, estamos viendo el ácido nítrico en un proceso de limpieza y aquí arriba, podemos ver cada uno de los puntos de datos individuales y para cada una de las etapas de un proceso de limpieza con ácido nítrico. |
| |
Y puede ver el nivel de ácido nítrico que se utilizó en cada uno de los pasos. El siguiente paso que estamos viendo ... ver la cantidad de usos, por lo que la cantidad de veces que se repitió ese paso. |
| |
Y aquí estamos viendo el uso medio de ácido nítrico para cada uno de los pasos. Entonces, como ejemplo, podemos ver que, |
| |
ya sabes, tenemos un promedio más alto aquí de 24 litros por semana en uso, pero la frecuencia de ocurrencia de ese paso fue solo cuatro veces, |
| |
y estaba claramente sesgado por este valor atípico aquí, por lo que obviamente está sesgado, y probablemente lo más importante, para nosotros, porque lo que estamos tratando de hacer aquí es comprender |
| |
y reducir la cantidad de ácido nítrico que se ha utilizado a diario, semanalmente, mensualmente, es la suma del ácido nítrico utilizado a lo largo del proceso para cada uno de los pasos del proceso. |
| |
Y lo que era importante ... lo que era importante para nosotros destacar aquí, supongo, y nuevamente son simples gráficos de barras, pero nos dio una gran dirección. |
| |
en el negocio y nos despidió ... lo siento, evitó enviarnos por la tangente porque cuando miramos todos estos datos, podemos ver que |
| |
Saltaron tres áreas diferentes. Tuvimos un enjuague final, un enjuague previo y otro paso de enjuague final también. Y los datos estaban mostrando |
| |
ese ácido se estaba usando durante estos pasos de enjuague, lo cual no es posible porque los pasos de enjuague solo involucran agua. |
| |
Entonces, un poco más de investigación mostró que un proveedor había configurado inicialmente etiquetas de datos incorrectas en nuestro sistema de escáner (?) |
| |
para nuestros caudales monitoreados. Entonces, cuando pensamos que en realidad estábamos monitoreando el uso de ácido nítrico, en realidad no lo estábamos. Nos estaban informando incorrectamente. Asi que |
| |
Realmente podríamos haber profundizado y entendido nuestro proceso y lo que lo impulsaba, pero los gráficos de barras muy simples centran a menudo una dirección adecuada y pudimos comprender con precisión lo que realmente estaba sucediendo en nuestro negocio. |
| |
Y nuestro uso de gráficos de barras en el negocio y, si soy honesto, este es probablemente uno de mis usos favoritos de los gráficos de barras en los negocios porque es muy simple. |
| |
Pero muestra ... muestra cuatro dimensiones diferentes de tiempo de inactividad, todo en una página, realmente simple y muy fácil de usar e intuitivo de usar y leer, creo, también. |
| |
Entonces, lo que tenemos aquí es la cantidad de tiempo de inactividad que se monitorea en una planta de queso por mes. Entonces, aquí está buscando minutos de tiempo de inactividad en el eje Y |
| |
para cada una de las seis áreas diferentes dentro de la planta de queso, para cada uno de los seis meses de abril, mayo, junio, julio, y así sucesivamente hasta septiembre en orden descendente, en orden de tiempo, supongo, realmente |
| |
para cada uno de los turnos A, B, C y D. Ahora, es posible que se le perdone por pensar que los datos se han creado porque la cantidad de minutos es muy baja, pero es realmente importante desde un punto de vista |
| |
perspectiva de la fabricación de queso que la planta no se detiene. Estos son números reales, quiero decir que estamos monitoreando el tiempo de inactividad en minutos por mes. |
| |
Si el proceso se detiene, el pH del producto cambia y eso puede influir negativamente |
| |
el precio de venta final y la calidad del producto también, por lo que es importante que no nos detengamos. |
| |
Y entonces, este es el nivel en el que estamos desde una perspectiva de mantenimiento. Estamos en cuestión de minutos y claramente lo que podemos ver aquí es que no hay demasiados problemas con BetaVac, pero para los formadores de bloques, estamos viendo problemas con los cambios C y D. |
| |
con más problemas aquí para C en Blockmaster. En esta área de transportadores, nuevamente C están saltando nuevamente, y nuevamente para los refuerzos C y D. |
| |
Y tal vez más problemas con C y D aquí. Entonces, lo que podemos extraer de este análisis fue que los cambios C y D están luchando un poco desde una perspectiva de mantenimiento y necesitaban un poco más de soporte. |
| |
Nos gusta especialmente la vinculación dinámica |
| |
elemento de JMP también para la exploración de datos. Y, en este caso, debo señalar, tenemos muchos laboratorios dentro del negocio, entonces tenemos microbiología, química, ??? laboratorios, |
| |
y probamos leche y queso y agua y en proceso y producto terminado y probamos una gran cantidad de elementos del negocio. |
| |
Y esta función de enlace interactivo que, como puede ver aquí, se convirtió en un HTML interactivo, |
| |
se utilizó para que diferentes personas de la empresa pudieran trabajar para crear un repositorio y luego poder verlo e interactuar con él. |
| |
Entonces, lo que estamos tratando de hacer aquí es crear un repositorio en el que tengamos problemas que existen dentro del negocio, así que en este caso estoy resaltando bloque ... lo siento, estoy mostrando tubos bloqueados y CIP del evaporador y corte de energía. |
| |
Y cuando hace clic en corte de energía, puede ver que las áreas sombreadas de las barras verdes se resaltan. Entonces, en este caso, ve un corte de energía, uno o más sucedieron en agosto. |
| |
Afectó estas etapas de procesamiento aquí y el microorganismo, en particular, que se vio más en esos procesos fue el estreptococo. |
| |
Entonces, el valor aquí es que cuando sigamos agregando problemas a este repositorio desde la perspectiva de un factor, entonces podremos |
| |
mire hacia el futuro para ver los riesgos para el negocio cuando algo suceda, de modo que sepamos la próxima vez que tengamos un corte de energía que tal vez necesitemos aumentar la cantidad de pruebas en esta etapa o proceso porque existe un mayor riesgo de que se produzca un estreptococo. |
| |
A veces llegas al punto en el que tienes tantas barras que necesitas agregar, sabes la estacionalidad y la suavidad |
| |
líneas también para agregar más visibilidad. Este es un desafío que tenemos en el negocio, que mencionaré más adelante, es el elemento de estacionalidad del negocio. |
| |
Y lo somos mucho, porque las vacas comen la hierba y la hierba se usa, luego obviamente para hacer la leche, en última instancia, y porque, en Irlanda, el clima es tan poco confiable. |
| |
Puede llover un día, nevar al siguiente y sol al día siguiente, por lo que desde una perspectiva de estacionalidad, donde cada uno de los colores de las barras aquí se utilizan para representar un año diferente, 2015, 16, 17, 18. |
| |
Y también son los fines de semana, debo agregar, y está mirando los pedidos generales de los fines de semana en el medio para un verde. |
| |
Puede ver que los años 2016 y 17 son algo similares porque tienen esta forma de m, mientras que 2018 aquí es muy, muy diferente. |
| |
Entonces, como ejemplo, aquí es donde todos nos tiramos bolas de nieve y seis semanas después, hubo una ola de calor, con la prohibición de las mangueras de agua. |
| |
Por lo tanto, es muy, muy difícil usar datos de estacionalidad que dependen efectivamente del clima dentro de la empresa, pero ese es uno de los desafíos que intentamos superar. |
| |
Entonces, desde una tendencia ... manteniendo la perspectiva de la tendencia, usamos JMP también para la exploración no impulsada por proyectos. Así que aquí hay un ejemplo del promedio mensual de 2.800 proveedores de leche de |
| |
resultados de proteínas y grasas que ingresaron al negocio durante un período de dos años. Por lo tanto, cada marca de verificación aquí representa, en este caso, septiembre de 2018, octubre de 2018, etc. |
| |
De modo que muestra el rango de variación que existe, tanto dentro como entre nuestros proveedores. Y lo que es útil, es que podemos ubicarnos, y podemos decir en particular para este tipo, como ejemplo, ¿por qué este tipo está tan drogado? |
| |
Y es alto constantemente tanto en grasas como en proteínas, y ¿hay algo que podamos aprender de este proveedor que podamos llevar a otros proveedores? |
| |
O, a la inversa, ¿hay otros proveedores en el extremo inferior? |
| |
eso podría funcionar con un poco de apoyo y algo de ayuda de nuestros asesores de leche porque constantemente no pueden obtener sus proteínas y sus niveles de grasa en la leche |
| |
alto. Estos son importantes, porque estos son los parámetros por los que se paga a los agricultores, el nivel de proteínas y grasas. |
| |
Entonces, en este caso, resultó que este tipo en particular era uno de los pocos proveedores de leche que elige ordeñar solo una vez al día. |
| |
Entonces, significa que sus niveles de grasas y proteínas son en realidad más altos que los de los demás, pero tiene menos volumen para devolver a Dairygold, pero esa es su elección. |
| |
parcelas paralelas. |
| |
Y estos son mis favoritos actuales porque creo que muestran tanta información en una página, al mismo tiempo, para tantos parámetros diferentes. |
| |
Este es un problema que en realidad está ocurriendo en este momento, por lo que está literalmente recién salido de la prensa y el problema aún no se ha resuelto. |
| |
Entonces, lo que estamos viendo aquí es ... se relaciona con bloqueos intermitentes de polvo en secadores de lecho fluido y ciclones, |
| |
lo que básicamente significa que el polvo está bloqueando los secadores y los ciclones. Y llamamos a estos estranguladores, está bien, entonces el equipo está estrangulado y tenemos que detener el equipo y limpiarlo. |
| |
Entonces, lo que realmente estamos viendo aquí es |
| |
30 parámetros diferentes, todos medidos en ... todos mostrados en el eje X aquí. |
| |
Y cada una de las líneas que van de izquierda a derecha representan un minuto de tiempo para la configuración de cada uno de estos 30 parámetros. El rojo indica el |
| |
minutos que están en la hora antes de que se produzca el estrangulamiento, por lo que estos son, estos son los ajustes de nivel, si lo desea, para 60 |
| |
ocurrencias ... 60 minutos antes de que ocurra cualquier estrangulamiento, y este grupo rojo aquí representa nueve ocurrencias de estrangulamiento diferentes. |
| |
De acuerdo, hay lo que no sea 540 hilos aquí, así que esta es efectivamente la huella digital de lo que ocurre, justo antes de que ocurra un estrangulamiento. |
| |
Y cuando ... lo que estamos tratando de hacer es comparar eso con los escenarios típicos de producción operativa normal desde la perspectiva de los parámetros de la máquina. |
| |
Y es realmente bueno, porque puedes ver cómo se comparan y aún mejor cuando puedes superponerlos uno encima del otro también, y tengo ... el no choke aparece como un fantasma en el fondo. Así que ahora lo interesante es que podemos ver |
| |
en qué se diferencia el escenario de estrangulamiento del sin estrangulamiento y comprenda lo que está sucediendo. Por ejemplo, una pregunta que se está explorando en este momento es: |
| |
ya sabes, parece que tenemos niveles más bajos de lo que sea que esto sea ... presión diferencial. |
| |
Y en su mayor parte, cuando nos ahogamos, ¿es este un factor contribuyente potencial al que deberíamos estar atentos? ¿Es esto algo que lo está causando? Debido a que el orden típico de funcionamiento |
| |
Los parámetros cuando las cosas son buenas para la presión diferencial también son altos aquí. Así que de nuevo, solo un ejemplo. |
| |
Usando datos de GPS para visualizar patrones y tendencias en la ubicación de los proveedores, lo que estamos viendo aquí son los niveles de proteína en diciembre y en toda la región de Munster, donde están todos nuestros proveedores. Y cada punto aquí representa la ubicación de un proveedor dentro de la empresa. |
| |
Y el tamaño del punto representa el volumen de leche que el proveedor proporciona a Dairygold, así que, cuanto más grande significa el punto, más grande es la granja. |
| |
Y hay una escala divergente aquí, donde esperamos que el volumen ... lamento que los niveles de proteína sean de 3.5, así que estamos menos interesados en eso y eso está sombreado en gris. |
| |
Pero cualquier cosa superior a 3.5 está en verde, así que ... ellos son los tipos a los que les está yendo muy bien, y en rojo son los proveedores que quizás, |
| |
disculpe, que tal vez estén luchando un poco para elevar sus niveles de proteína. Entonces, aquí es donde podemos usar nuestros propios datos para tal vez contactarnos y ver si hay proveedores que puedan necesitar el apoyo de nuestros asesores lácteos y también podemos ayudarlos, muy útil. |
| |
Siguiendo con el elemento geográfico, también hemos podido eliminar algunos mitos ancestrales. Entonces estos son los |
| |
discusiones que podrían tener lugar en el enfriador de agua en las que alguien diría que esta cosa, NPN, definitivamente se ve afectada geográficamente. |
| |
NPN es algo bastante difícil de explicar, así que voy a usar aquí la analogía de una pinta, una pinta de cerveza si quieres. Es más bien un vaso, creo, de verdad. |
| |
Y así, como todo el mundo sabe, la leche tiene proteínas, grasas, lactosa, minerales, vitaminas. Ahora, estas son cosas buenas. |
| |
Y, pero también hay muchas otras cosas en él, y si solo estamos viendo la proteína en su conjunto, puede considerar que toda la pinta es proteína que obtenemos en la leche de los granjeros. |
| |
Pero esa proteína se puede dividir en la proteína verdadera, que es básicamente la parte líquida de la bebida aquí. |
| |
Y es esta parte la que realmente podemos usar en nuestro proceso de fabricación. La cabeza de la pinta, la parte espumosa aquí, es la otra cosa, entonces la urea y el ácido úrico, y así sucesivamente. |
| |
Si bien les pagamos a nuestros proveedores por toda la proteína, desafortunadamente no podemos usar toda la proteína en nuestro proceso, por lo que solo podemos usar esta pieza aquí, la parte real o como la proteína verdadera. |
| |
Entonces, dependiendo del proceso, puede darse el caso de que si tenemos niveles más altos o más bajos de NPN, nitrógeno no proteico, en cualquier época del año, |
| |
entonces podría ser mejor dirigir ese producto a un sitio en particular |
| |
ahora en otro sitio, por lo que quizás podamos ser estratégicos. Y la pregunta siempre ha sido, ya sabes, te apuesto a que en una época particular del año, la ubicación geográfica afectará los niveles de nitrógeno no proteico en |
| |
las ubicaciones geográficas. Y lo que está viendo aquí son datos que provienen de 284,000 puntos de datos, por lo que 284,000 medidas de NPN, |
| |
nitrógeno no proteico, durante todo un año, en seis regiones diferentes de Munster, en el sur de Irlanda. |
| |
Y las líneas aquí representan las medias y la diferencia de medias que existe de un mes a otro, pero también las medias que difieren desde una perspectiva de color de una región a otra. |
| |
Los diagramas de caja aquí representan la cantidad de variación que existe dentro y entre, nuevamente, cada una de las regiones, así que claramente, puede ver que los promedios están siguiendo |
| |
muy bien entre sí para cada región y también cada vez que se reduce la cantidad de variación, |
| |
digamos que en julio aquí, parece reducirse en todas las regiones, excepto tal vez por una ligera anomalía aquí para Tipperary, en este caso. |
| |
Pero en su mayor parte, cuando la variación también aumenta en una región, aumenta en todas las regiones. |
| |
Entonces ya no podemos ... ya no necesitamos estar hablando sobre el potencial de esto y lo otro. También podemos probar y refutar teorías muy rápidamente con nuestros datos. |
| |
Cada cinco años enviamos el censo de línea media (?) A nuestros proveedores mixtos y nos ayuda a comprender las intenciones de volumen futuro y los desafíos que los proveedores podrían tener en su granja. |
| |
Y da una indicación del sentimiento desde una dirección comercial y desde una perspectiva de inversión, también, de nuestros miembros. |
| |
Recientemente, enviamos más de 100 preguntas a cada uno de nuestros 2.800 proveedores y, en este caso, la pregunta que hicimos fue: ¿Cuáles son los factores que limitan el crecimiento en su granja? |
| |
Y a las personas se les dieron nueve opciones, así que en este caso, factorizar uno a nueve. Así que se les pidió que clasificaran en orden de mayor o menor importancia, de uno a nueve, esos factores tal como se les presentaron. Como puedes imaginar, obtienes 2.800 resultados |
| |
de cada proveedor, pero cada resultado tiene un puntaje de uno a nueve y algunos de ellos no siempre obtuvieron un puntaje de uno a nueve, es posible que solo hayan logrado los tres primeros, otros tal vez los cinco primeros o los siete primeros o lo que sea. |
| |
Entonces, la pregunta es, ¿cómo puede representar mejor todos esos datos, esos 25,000 puntos de datos en una imagen clara que representa a toda la comunidad agrícola que informa a Dairygold, si lo desea? |
| |
Y los resultados son ... entonces la respuesta aquí es simplemente un diagrama de mosaico. Puede ver aquí, con suerte, muy claramente que el 48,8% de los encuestados, de nuestros proveedores, han clasificado al Factor 4 como el más significativo. |
| |
factor limitante para la expansión de sus fincas. Le sigue el Factor 5, donde el 19% votó como el número uno más significativo y el 23% votó. |
| |
como número dos. Puede ver nuevamente los factores que son más importantes para los agricultores a medida que avanzamos de izquierda a derecha. |
| |
Así que el color es realmente importante aquí y estoy siguiendo con ese equipo aquí con mapas de calor estratificados, nuevamente, para una parte muy diferente. |
| |
pedidos al por menor. Entonces, en este caso, estamos viendo la cantidad de pedidos realizados por hora del día solo los fines de semana. |
| |
para alimentar a nuestras tiendas. Así que esto es para el viernes, sábado y domingo de cada uno de los cuatro años diferentes de 2015 a 2018. |
| |
Y para la hora del día en que se envían los pedidos. Ahora los agricultores pueden enviar pedidos a través de aplicaciones y ... o |
| |
pueden sonar en la orden. Pero puede ver aquí claramente los viernes, ya sabe, cuando el primer |
| |
Se da el ordeño de las vacas, algunos ganaderos salen y, justo a las cinco de la mañana, dicen que está bien, necesito más alimento. Voy a hacer un pedido aquí automáticamente en la aplicación. |
| |
Y nuevamente, puede volver a suceder, tal vez a las 12 en punto más o menos y depende de la hora de ordeño del rebaño, y así sucesivamente. Pero el valor aquí es que podemos |
| |
comprender cuáles son los momentos más ocupados del fin de semana para recibir pedidos y cuándo deben procesarse los pedidos, y nos puede permitir comprender |
| |
cuál es la mejor manera de tener niveles de personal efectivos durante el fin de semana, por lo que no tiene sentido tener la misma cantidad de personas los domingos que los viernes. Tal vez más |
| |
El tiempo debería dedicarse a concentrarse ... y más personal debería centrarse en recibir pedidos los viernes y tal vez también temprano el sábado por la mañana. Así que fue mucho más eficaz la dotación de personal en nuestras tiendas. |
| |
Una vez más, siguiendo con el tema del color y, como sabemos, los análisis sofisticados, como se dará cuenta, llegaremos en breve. |
| |
pero siga con el tema del color, y lo que está viendo aquí es el resultado en el que hemos representado gráficamente un gran lecho de queso. |
| |
Entonces, cuando digo grande, probablemente tenga 25 metros de largo y probablemente dos metros de ancho. Entonces, toda la cuajada se ha drenado del suero en este punto, y luego esta cama de queso se aplasta y se corta en 70 tiras. |
| |
Y luego las tiras se cortan en cinco bloques y luego lo que hemos hecho es que hemos medido la altura de los bloques a la izquierda, en el medio y en el lado derecho. |
| |
Entonces, lo que estamos tratando de hacer es medir la altura del lecho de queso para esta gran tajada de queso. |
| |
Y una vez que pudimos hacer eso, pudimos obtener una muy buena imagen de lo que realmente está sucediendo y usando el color como guía, así como el ancho en nuestra cama de queso. |
| |
Entonces, claramente el rojo significa más alto, el verde significa un poco más bajo y estamos midiendo aquí en milímetros, por lo que son 120 milímetros a 155 milímetros. |
| |
Claramente, puede ver aquí que hay un poco de pendiente cuando va desde la parte superior izquierda |
| |
lado, donde las alturas son más altas hacia el lado izquierdo y también hacia el lado inferior izquierdo, donde la cama se está cayendo. |
| |
Entonces esto es realmente importante para nosotros porque, desde una perspectiva de variabilidad, lo que estamos tratando de entender es si hay una diferencia ... ¿por qué hay una diferencia en los bloques ...? |
| |
en el peso de los bloques que van a nuestro proceso? Esto apunta a una de las razones. Y una de las razones es que si la altura de los bloques va a ser diferente, |
| |
entonces la lógica dictaría que el peso de los bloques también será diferente si el queso ha sido comprimido al mismo ... por la misma fuerza. |
| |
Entonces, nuevamente, es más fácil para las personas entender eso en imágenes, particularmente si no están muy versados en el lado analítico del negocio. |
| |
Entrando más en el análisis, supongo, mira, hemos utilizado mucho el control de procesos estadísticos en todas las empresas y para, |
| |
ya sabes, busca oportunidades, así como verifica mejoras. Aquí estamos analizando el uso de dióxido de carbono y usamos dióxido de carbono en el sitio en nuestros productos y particularmente en nuestros polvos, |
| |
cuando empacamos polvos para extender la vida útil de los productos, que es una práctica estándar en la industria. |
| |
Así que expulsamos algo del aire y agregamos dióxido de carbono cuando llenamos las bolsas y, pero pueden ver eso aquí, y luego sellamos las bolsas, pero pueden ver aquí, tuvimos mucha variación, en particular en 2017. |
| |
Y pudimos tener ese proceso bajo control, y pudimos asegurarnos de que para 2018 la vida fuera muy, muy diferente y |
| |
donde nuestro uso medio de dióxido de carbono se reduce significativamente. Todavía tenemos algunos desafíos y tal vez incluso un patrón emergente aquí también que justifique una investigación, pero |
| |
también hay beneficios para este tipo de cosas, porque mientras ... además de tener nuestro proceso bajo control y haber podido demostrar estadísticamente lo mismo, también podemos crear algunos |
| |
estudios para evaluar eficazmente la tasa de absorción del dióxido de carbono en nuestros polvos también. |
| |
Entonces, y esto es realmente importante, porque si podemos entender cómo nuestro producto está absorbiendo el dióxido de carbono, entonces conduce a otras ventajas, por lo que una es |
| |
cuando la grasa absorbe el dióxido de carbono en una bolsa, crea un vacío en el interior de esta bolsa sellada, por lo que cuando crea un vacío |
| |
la bolsa comienza a sellar alrededor del polvo y hace que la bolsa de polvo sea mucho más rígida. |
| |
Así que ahora, desde la perspectiva de la cadena de suministro, reduce los riesgos y facilita la vida cuando podemos apilar estas bolsas en palés para su transporte y envío. |
| |
ahora es como si estuviéramos apilando bloques de concreto, en lugar de tratar de apilar almohadas que son suaves, esponjosas y flexibles. Así que hay ganar, ganar en todos lados. Tenemos |
| |
utilizado y definitivamente no soy un programador, pero definitivamente nos hemos comunicado y obtuvimos mucha ayuda del grupo de usuarios irlandeses |
| |
y a la Comunidad JMP ... Y de hecho, ¿saben qué? Voy a señalar a Troy Hickey de Intel, en particular, que ha sido muy útil ayudándonos desde el grupo de usuarios irlandeses. |
| |
En la comunidad de JMP, es genial cuando te acercas y haces una pregunta, en un área en la que quizás estés buscando algo de claridad. |
| |
o tal vez un área de la que no sabe nada, y para obtener la respuesta de personas de las que nunca ha oído hablar, respuestas de un experto y excelentes. |
| |
Entonces, en este caso aquí, pudimos crear un código usando algo de JSL y pudimos crear este y controlar el gráfico |
| |
formato, si lo desea, que está en formato de pestañas. Entonces, en este caso, para la leche desnatada en polvo, la leche entera en polvo, el suero en polvo desmineralizado y la caseína para medir las proteínas. |
| |
pruebas en nuestro en nuestros laboratorios. Tenemos alrededor de 30 pruebas diferentes en el momento que estamos monitoreando y estamos monitoreando la diferencia que existe entre los estándares y la química húmeda. |
| |
a diario, y también la diferencia que existe entre los métodos manuales y los métodos de infrarrojo cercano, por lo que los métodos automatizados. |
| |
Y queremos asegurarnos, como ejemplo, digamos que si estamos mirando, ya sabes, estándares sobre química húmeda, queremos apuntar a un objetivo de cero. No queremos que haya ninguna diferencia entre los resultados que probamos en un laboratorio y lo que |
| |
estándar dice que debería ser. Así que queremos un objetivo de cero y esto nos muestra que, en este caso, ¿dónde están |
| |
proteína, en polvo de suero desmineralizado, estamos ligeramente fuera; somos .04 y podemos realizar un seguimiento del perfil de nuestro proceso y podemos obtener |
| |
el proceso para señalarnos que se ha producido un cambio de proceso. Entonces, nueve datos ... al menos nueve puntos de datos seguidos por encima de la media, en este caso. |
| |
Y sabemos, entonces, detener el proceso y no continuar más, porque necesitamos investigar y poner algo en su lugar para rectificar ... rectificar el problema, el proceso cambia en este caso. |
| |
Así que esto ha sido muy positivo para nosotros y estamos en una etapa en la que tenemos esta configuración ahora y se ejecuta todos los días, y a pesar de que la hay, |
| |
ya sabes, cientos y cientos de cientos, miles, incluso en este punto de puntos de datos, el script está configurado, de modo que solo muestra los últimos 42 puntos de datos, que es la última semana de datos en cualquier momento, aunque el los límites de control se establecen para |
| |
basado en datos previos en el proceso. Muy bueno contactar a la comunidad de JMP aquí. En términos de |
| |
los tiempos de llegada de los camiones a la empresa, por lo que en este caso tenemos 54.000 camiones cisterna que llegan a cuatro sitios diferentes, ya sabes, desde la medianoche hasta la medianoche. |
| |
Y es realmente bueno darnos una idea de las diferentes distribuciones que existen, desde el tiempo de entrega a los sitios. Y esto es importante para nosotros, porque no queremos ... queremos que un camión cisterna venga al sitio |
| |
y descargue la leche y abandone el sitio lo más rápido posible. No queremos tener el caso en el que tenemos |
| |
mucho agrupamiento y tal vez en un sitio, es posible que tenga un escenario aquí, en el que tiene camiones alineados detrás de otros camiones. Queremos que sea un buen flujo durante todo el proceso. |
| |
Y aquí, puedes ver como ejemplo, desde las ocho de la mañana hasta las nueve, |
| |
Ahí es donde, ya sabes, la gente probablemente se haya ido a desayunar. Nuestro tráfico es más pesado y no hay tanta entrega en los sitios, y lo mismo aquí, el tráfico es más pesado por la noche. |
| |
y los camiones se detienen o se van a ... los conductores se van a cenar y así sucesivamente. Entonces, podemos profundizar un poco más en eso y decir que está bien para cada uno de los diferentes sitios, por lo que dos sitios, en este caso Clonmel Road y Castlefarm, |
| |
para las carreteras que llegan, y estos sitios están muy cerca unos de otros, para las carreteras que llegan al norte, sur, este y oeste con destino, |
| |
cómo se ve y si tenemos una distribución clara entre los datos que queremos o |
| |
¿Hay algunos transportistas que no entregan en las 24 horas desde el este, por ejemplo? Y podemos entender lo que está pasando, y también podemos tomar esa información, |
| |
y digamos, está bien de una tasa de descarga de la bomba, porque tenemos en este caso, dos sitios que tienen 11 bombas que están descargando |
| |
más de 500 millones de litros en dos sitios al año. |
| |
Y queremos intentar comprender qué bombas son más o menos eficientes que otras. Y, claramente, podemos ver aquí que hay cuatro bombas que tienen una tasa de descarga más alta, |
| |
para que puedan extraer más leche y más rápido en la misma cantidad de tiempo que quizás algunas de las otras bombas. Y puedes ver aqui que |
| |
En el sitio 2, la bomba número tres es la bomba que es más eficiente, mientras que la bomba 4 y la bomba 3 en general son las bombas menos eficientes. Entonces, si tuviéramos una revisión de mantenimiento, entonces sabríamos que estas son las bombas que deben revisarse primero. |
| |
Usamos JMP para evaluar los sistemas de medición tanto para la excelencia como para las oportunidades, y lo hacemos, ya sabe, |
| |
tantas veces, ni siquiera puedo seguir la pista. En este caso, mirando los ortofosfatos (?), Y ya sabes, es un R & R de calibre estándar y los resultados son realmente buenos. Por lo tanto, allí |
| |
19 número de categorías distintas; 19 es excelente y Gauge R&R es .5, por lo que menos de 10 es ideal y solo significa que sabes que tenemos muy buenos |
| |
sistemas de medición implementados que sean consistentemente confiables. E independientemente de la parte que le vayas a entregar a cualquier analista, ellos volverán y te darán el mismo resultado. |
| |
Por lo tanto, la persona que realiza la prueba no influye en los resultados de las pruebas, que es lo que siempre desea ver. |
| |
A veces podemos tener sistemas de medición subjetivos y también necesitamos hacer análisis de concordancia de atributos. |
| |
Entonces, en este caso, estamos viendo que usted conoce evaluaciones visuales de productos empaquetados, y puede estar buscando algo como redondez o bordes dañados o el relieve. |
| |
legibilidad, etc. Entonces, después de que se hicieron las mejoras, puede ver aquí que estamos, ya sabes, tenemos un acuerdo del 90 al 95% dentro de los tasadores. |
| |
En general, como puede ver, el nivel de acuerdo es del 82% en términos del número de partes emparejadas y acordadas por |
| |
dentro de cada ... dentro y entre cada operador, pero probablemente lo más importante, es la eficacia, que es la alineación con el estándar. |
| |
Y podemos ver aquí después que estar de acuerdo con el estándar ahora es del 96%, por lo que es realmente bueno. Y de nuevo, usted sabe que podemos, podemos asegurarnos de que nuestros productos se califiquen de manera confiable incluso cuando sean subjetivos. |
| |
Obviamente, también podemos diseñar experimentos para cuantificar el efecto de varios factores. Entonces, en este caso, estamos mirando WPNI, que es el índice de nitrógeno de la proteína de suero, por lo que este es un nivel de la medida de. |
| |
desnaturalización de proteínas en nuestro producto, por lo que es una indicación del nivel de tratamiento térmico que ha recibido el producto, y eso puede ser, |
| |
disculpe, eso puede ser muy importante porque el nivel de tratamiento térmico puede afectar la aplicación desde |
| |
desde la perspectiva del cliente. Entonces, si, digamos, se aplicó el nivel incorrecto de tratamiento térmico, puede significar que un cliente que podría querer usar nuestro producto para hacer, tal vez, yogur, |
| |
entonces el producto no sería adecuado porque podría dejar tal vez una sensación granulada, una sensación granulada en la boca, tal vez o algo así, por lo que no es adecuado para un producto como el yogur. |
| |
Así que estábamos teniendo problemas con los resultados inconsistentes del índice de nitrógeno de la proteína de suero, y se notó cierta ambigüedad en nuestro procedimiento, |
| |
en que estaba abierto a interpretación. Por lo que podría decir, sabes agitar algo |
| |
agite este frasco, ya sabe, podría decir simplemente agítelo, y alguien podría decir, sí, lo agito durante cinco segundos, alguien más podría decir, simplemente lo invertí 10 veces, y alguien más diría, sí, lo agito vigorosamente durante 30 segundos. |
| |
Entonces, todos, con la mejor de las intenciones, estaban siguiendo el procedimiento, pero si el procedimiento es ambiguo, entonces está abierto a interpretación y eso también puede conducir a inconsistencias. |
| |
Entonces, lo que estamos tratando de hacer es diseñar ensayos para comprender los factores que pueden influir en la variación en nuestro proceso. |
| |
Así que aquí tenemos la solución de cloruro de sodio, por lo que solo una solución de agua salada, preparada con una barra de inicio y sin una barra de inicio. |
| |
La duración en un lugar caliente es de 45 o 60 minutos y luego usando esa solución aquí, y este pequeño plan de prueba aquí, estábamos ... la temperatura del baño de agua es 37 y 40 grados, esta es una de las cuatro soluciones aquí codificado por colores. |
| |
Y luego tenemos intervalos de agitación del baño de agua y una cantidad de gotas de creo que también se estaba usando ácido clorhídrico. |
| |
Y nuevamente podemos usar el explorador interactivo para ver cuando tenemos resultados bajos de WPNI, qué está sucediendo con el proceso. Un poquito |
| |
Es más difícil entender lo que está sucediendo aquí, por lo que obviamente debemos ir un poco más allá y comenzar a construir algunos modelos y comprender lo que está sucediendo. |
| |
Los modelos son bastante buenos aquí en términos de fortalezas de las que estamos hablando, R cuadrado es aproximadamente del 68%. |
| |
Y podemos ver que de inmediato, los efectos principales aquí, el mayor efecto principal es la temperatura del baño de agua, seguido luego por la duración de la barra de agitación y el efecto de interacción de la placa calefactora. |
| |
Y también podemos ver el efecto, qué parámetro está tirando ... qué efecto está tirando |
| |
el proceso en qué dirección también. Y también tenemos el valioso perfilador de predicciones aquí en la parte inferior. Podemos explorar lo que está pasando. |
| |
Lo que me gusta, además de que puedes usar el resultado, a veces, bueno, a veces uso el resultado de algunos de estos experimentos para ... desde una perspectiva educativa. |
| |
Así que hablé antes sobre, ya sabes, que la barra de agitación y la duración en la placa calefactora son un factor importante, y este es un efecto de interacción, por lo que es cuando el efecto de un factor depende del ajuste de nivel de otro. |
| |
Pero puede, ya sabe, puede intentar explicarle a alguien en una página el efecto de interacción; tenemos líneas cruzadas y una línea cruzada significa que hay |
| |
interacción fuerte, y si las líneas están en paralelo, pero parece que se van a cruzar, es una pequeña interacción. O puede tomar los datos y trazarlos, |
| |
y en este caso, mucha gente no ha visto realmente cómo se ve una interacción con dos factores, y así es como se ve una interacción ... interacción y se puede usar como ... |
| |
también como herramienta educativa. Entonces, en nuestro caso aquí, tenemos el resultado de WPNI aquí en nuestro eje y, lo siento, sí, en nuestro eje y, |
| |
duración en placa a 45 minutos y 60 minutos, así que si nos quedamos en 45 minutos, donde no tenemos barra de agitación y si cambiamos ... nos quedamos con 45 minutos y cambiamos a barra de agitación, podemos ver que saltamos de este nivel a este nivel. |
| |
Mientras que cuando vamos con 60 minutos, estamos ... El nivel de WPNI está aquí, sin barra de agitación y saltamos a una barra de agitación, podemos verla saltar hacia abajo. Asi que |
| |
el salto no es tanto aquí como aquí, pero de inmediato, esto muestra que la interacción que afecta la barra de agitación y la duración en la placa calefactora es bastante grande. |
| |
Y eso es lo que esto significa, una vez más, una gran cantidad de conocimiento y comprensión del proceso. También podemos usar algunas herramientas de clasificación, por lo que en este caso árboles de decisión para intentar comprender. |
| |
Entonces, esta es una consulta de I + D en relación con el dorado del queso y, como suena, está relacionada con el dorado del queso. |
| |
en un horno cuando se aplica un poco de calor, como en las pizzas. Por lo tanto, no queremos que el queso se queme demasiado pronto, por lo que si es queso cheddar en una pizza, no querrá que se queme demasiado pronto. |
| |
Quieres que tenga algo de vida y que la receta se cocine. De nuevo, aquí hay un ejemplo de una clasificación, lo siento, un árbol de decisiones, donde estamos viendo |
| |
tres niveles diferentes, si lo desea, pardeamiento claro, medio y oscuro representado por el árbol, el color es verde, |
| |
ámbar y rojo, respectivamente. Y podemos ver que el pH en funcionamiento es el factor más importante aquí, en particular, si el pH en funcionamiento es superior a 6,48, |
| |
entonces podemos ver que el 99,3% de nuestro proceso va a tener, ya sabes, un ligero pardeamiento, que es lo que queremos. El verde es bueno, el rojo es malo. Del mismo modo, sabemos que estamos en riesgo si nuestro pH es inferior a 6,48 y tenemos ... |
| |
y tomamos nuestras muestras, por lo que el queso en nuestro bloque, en nuestro bloque literalmente de 20 kg, se toma de una esquina, entonces sabemos que tenemos un 31% de posibilidades de obtener |
| |
marrón oscuro, por lo que no va a ser bueno. Entonces, desde esta perspectiva, podemos ver que el tamaño del |
| |
recuentos que son el número de objetos que están causando eso también, y también en términos de la terminación de los nodos hoja en el árbol. Para que puedas conseguir |
| |
una buena idea de lo que está sucediendo en su proceso, en términos de los factores importantes que separan mejor, en este caso, la clasificación del pardeamiento. |
| |
Y digo bosque de arranque encubierto aquí, porque saben que creo que esta es una herramienta subutilizada dentro de JMP y ... si comprende lo que hace un árbol de decisiones y cómo funciona, comprenderá que es una herramienta bastante poderosa. |
| |
Y no estoy seguro, si soy honesto, no estoy seguro si el algoritmo que se usa para los árboles de decisión, si es un dicotomizador iterativo o |
| |
C 4.5 o 5.0 o lo que sea, pero lo que sí sé es que el cribado del predictor utiliza el algoritmo del árbol de decisión en segundo plano y usa el bosque de arranque, que es |
| |
muestreo con reemplazo también, para crear un montón de estos árboles y pegarlos todos juntos y luego darle los resultados promedio, si lo desea, de los árboles. Entonces, en este caso, señalando eso, y esto es de la |
| |
ejemplo de gráfico paralelo anterior para los 30 parámetros diferentes de la máquina, en este caso, notará que en realidad hay 31, |
| |
porque cuando volví al equipo y dije que hay algo diferente en la presión de aire de la boquilla y parece ser un factor importante y la selección de predictores me lo dice. |
| |
Una mano se levantó en la parte de atrás de la habitación y dijeron en realidad: |
| |
de todos los parámetros, probablemente ese no debería haber estado allí porque no es realmente un parámetro de máquina, simplemente lo metimos en nosotros mismos para ver si algo saldría. |
| |
Y efectivamente, este es el que saltó de la página, por lo que hubo que sacarlo y evaluarlo por separado. |
| |
En términos de, y estoy casi allí también, en términos de presentación, por lo que en términos de ellos |
| |
utilizando modelos para predecir el rendimiento futuro, aquí es donde nos movemos de los conocimientos a la previsión. |
| |
Y aquí es donde creamos un modelo que es bastante sólido con un 76% de efectividad del modelo, basado en 1.438 observaciones. |
| |
La pregunta era ¿podemos crear una herramienta que nos ayude a predecir tanto la cantidad de pedidos que ingresan al negocio en cualquier día de la semana, cualquier semana del año como |
| |
también predecir la cantidad de pedidos que obtendríamos ... perdón, también predecir las cantidades de pedidos que obtendremos ese mismo día? |
| |
Así que pudimos tomar todos los datos históricos y usar el generador de perfiles de predicción para seleccionar qué año desde una perspectiva de estacionalidad es más común para lo que está tratando de predecir. |
| |
Y luego vaya al mes correspondiente, cualquier fecha que desee, y el día de la semana y luego determine si es un feriado bancario o no. |
| |
Y puede ver aquí, tengo dos configuraciones diferentes configuradas aquí. Una es para cuando tenemos un feriado bancario, otra cuando no, y puede ver que hay una significativa |
| |
El efecto de interacción aquí también entre el día festivo y el día de la semana. Para que podamos volver al negocio diciendo en |
| |
Cualquiera que sea el día de la semana, el 26 de octubre de 2019, que es jueves y no fin de semana festivo, espera que lleguen 120 pedidos y eso equivaldrá a poco menos de 1,100 toneladas métricas de producto. . |
| |
Así que en realidad hemos realizado esto durante dos fines de semana, un fin de semana en el que tuvimos un día festivo y no tuvimos un día festivo, y en realidad fue del 85%, lo cual es realmente bueno. Entonces, aunque el modelo era del 76%, en realidad resultó bastante bueno. |
| |
Luego, de la percepción a la previsión, donde volvemos a mirar ... tratando de dar cuenta de la confiabilidad de la temporada, |
| |
tenemos diferentes años aquí, representados por diferentes colores, así que 2015, 16, 17, 18 y así sucesivamente. Y estamos viendo una cantidad ... algunos de los pedidos de cantidad de alimento que ingresan |
| |
el negocio. Cada punto representa una cantidad de pedido semanal y lo que he exagerado aquí es que superpuse el modelo predicho real, de modo que el valor que se predijo |
| |
cada una de esas semanas. Y puede ver cómo es el modelo en términos de precisión a real, real versus predicho. |
| |
Y luego poder usar, y si soy honesto, no puedo recordar ... fue un pronóstico exponencial estacional o nuestro ARIMA estacional, |
| |
estacional ??? promedio móvil métrico para determinar los próximos seis meses, cómo será. |
| |
Y nuevamente, enormemente valioso para nuestro negocio donde la estacionalidad es un desafío, y podemos usar estas herramientas, con un alto grado de confianza para comprender qué nivel de pedidos podemos esperar en el futuro del negocio. |
| |
Y por último, y supongo que un tramo, para nosotros, porque no hemos entrado antes en la zona, sino en las redes neuronales. Entonces, usando redes neuronales, en este caso, como una prueba para comprender si podemos clasificar los sedimentos en nuestro proceso. Entonces, si tenemos resultados de ADPI, entonces esto es |
| |
una almohadilla de sedimentos y estamos viendo una cantidad de partículas posiblemente quemadas, tal vez de un proceso de secado o así sucesivamente, y ¿dónde estamos? ¿Es un nivel A, B, C o D? |
| |
Aquí, el resultado del tamiz representa el número de partículas que quedan en un tamiz y los resultados de un tambor T1B1 representa la parte superior e inferior. |
| |
T1 representa la cantidad de partículas que podrían estar flotando sobre el agua y B podría representar la cantidad de partículas en el fondo, por lo que el sedimento que se hundió hasta el fondo. |
| |
Y nuevamente usándolo en la red neuronal aquí y con la validación cruzada de K veces, así que creo que K se estableció en 10. Tenemos nueve |
| |
La activación también funciona aquí, creo. Sí, hiperbólica ... lineal, gaussiana, y creo que también tangente hiperbólica. |
| |
Y podemos usar cada uno de estos |
| |
nodos de entrada también para alimentar nuestra función de activación, y luego tenemos nuestra capa de salida también aquí, que nos ha dado el resultado final. Entonces podemos usar |
| |
en este caso, 6.245 resulta |
| |
entrenar nuestro modelo y luego, una vez que lo validamos con el uso de la validación cruzada también, podemos crear nuestra matriz de confusión aquí, que también es bastante buena. Quiero decir que no tenemos tantos valores en A1 / A2 |
| |
hasta grados B, como lo hacemos para A1, pero nos muestra que, ya sabes, si tenemos un grado A2 |
| |
que predijimos que 35 de ellos serían dos verdaderos y solo dos serían A1. por lo que puede haber algún error y el error puede provenir de cómo era el modelo, |
| |
ya sabes, inicialmente creado por calificadores que intentaban manualmente evaluar la diferencia que existe en cada uno de estos si y cuando |
| |
surge cierta ambigüedad en los resultados y luego se intenta hacer una llamada final. Así que supongo que la pregunta aquí es, ¿podemos hacer que una máquina prediga cuál será la llamada final con un buen grado de precisión? |
| |
Y nuevamente, esperaríamos que la probabilidad de obtener una calificación asignada como A1 aquí arriba, sería bastante alta si el resultado del tumbler fuera T1B1, casi sin flotadores o plomos |
| |
y si los resultados del tamiz también fueran bastante bajos, en términos de la cantidad de partículas, entonces esperaríamos tener nuestros resultados aquí para A1. |
| |
El hecho de que estemos viendo A1 aquí podría indicar que el entrenamiento del modelo no fue tan efectivo como podría haber sido y podría haber habido algunos errores en el modelo. |
| |
Y de nuevo, puede ver que un modelo muy ... bastante complejo que se creó aquí |
| |
para esto, pero sabes que es una especie de caja negra, como creo que todos sabemos desde la perspectiva de una red neuronal. Pero nuevamente, una gran cantidad de conocimiento de procesos y prueba de concepto para nosotros, supongo, realmente a medida que comenzamos a avanzar hacia todo el espacio de aprendizaje automático y la inteligencia artificial. |
| |
Entonces sé que le disparé mucho a la gente, y fue bastante apresurado, y probablemente podría hablar durante horas sobre todo el asunto y disculparme ... disculpas si se sintió apresurado, pero lo que diría es solo de un pensamiento final. perspectiva, |
| |
Creo que se ha demostrado que, sin importar en qué industria se encuentre, incluso si la hay en la industria agrícola, que está muy alejada del entorno típico de análisis de datos, en cualquier industria, puede usar |
| |
análisis de datos para agregar un valor significativo a la empresa, y puede llegar y ayudar a casi todas las partes de la empresa. |
| |
Además, diría que no subestimes el valor del análisis gráfico simple. Fue solo a la mitad de esta presentación que comenzamos a presentar algunos de los análisis más poderosos que están integrados en JMP y |
| |
Creo que es genial saber cómo usar todas las herramientas sofisticadas y hay un momento y un lugar para hacerlo, pero, ya sabes, lo simple también puede ser muy poderoso, y no subestimes su valor. |
| |
Aparte de eso, les doy las gracias a todos por escuchar. Realmente lo aprecio y si tiene alguna pregunta o comentario, ahora son más que bienvenidos. Gracias. |
