Vocero
|
Transcripción
|
| Kieran O'Mahony |
Muy 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 Ordeñando los datos en Dairygold desde los gráficos de barras hasta las redes neuronales. |
| |
Por lo tanto, creo que es justo decir que el uso de análisis de datos suele estar más asociado con industrias como finanzas y atención médica, productos farmacéuticos, semiconductores y similares, y probablemente sea raro que las palabras agricultura y análisis se encuentren en la misma oración. |
| |
Por lo tanto, esta sesión pretende dar una idea de cómo algunas empresas muy tradicionales han adoptado y fomentado el uso de análisis en toda la empresa. |
| |
Entonces, esta sesión probablemente será diferente a las otras sesiones que podría 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 más decisiones basadas en datos en toda la empresa, y no solo en la fabricación, lo que creo que es importante. |
| |
Entonces, antes de comenzar, supongo que es importante dar un poco de información sobre el negocio, una descripción general y qué es lo que hacemos. |
| |
Por lo tanto, Dairygold es la principal cooperativa de agricultores de Irlanda con instalaciones de fabricación de queso y polvo nutritivo de última generación 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, es decir, de los granjeros. |
| |
Así que tenemos 2800 proveedores de leche que nos suministran leche diariamente 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 materia prima también son los dueños del negocio. |
| |
Así que la facturación del año pasado fue de 1200 millones de euros y tenemos alrededor de 1200 empleados y procesamos alrededor de 1400 millones de litros de leche al año, así que nos llega mucha leche a diario. De hecho, |
| |
en el pico, porque 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 diariamente. |
| |
También tenemos tiendas minoristas, donde puede comprar cualquier cosa, desde un martillo hasta electrodomésticos 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 hemos llegado... bueno, probablemente no... es justo decir que hemos recorrido un largo camino desde que la leche se repartía en carruajes tirados por caballos, 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 ahora tenemos una cadena de suministro muy grande con una flota de camiones cisterna, y cada camión cisterna, |
| |
Puedes ver un ejemplo aquí, cada camión cisterna transporta alrededor de 26.000 litros de leche y diariamente recolectamos leche 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 también lo recogimos 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 de polvo y queso del negocio donde también estamos distribuyendo. |
| |
Así que también tenemos algunas de las secadoras más grandes (?) de Europa, puede ver aquí una en particular que abarca cinco o seis pisos. |
| |
Por lo tanto, en los últimos cinco o seis años, Dairygold invirtió más de 400 millones en todas las plantas, por lo que se asegura... para garantizar que tengamos... |
| |
podemos satisfacer las necesidades de la futura expansión del volumen en el pool de leche (?). En términos de productos que hacemos, hacemos |
| |
en polvo y queso, en su mayor parte, desde leche entera en polvo hasta leche en polvo descremada y proteínas en polvo y muchos tipos diferentes de queso, especialmente queso y queso cheddar. |
| |
Y suministramos múltiples sectores, desde confitería y pizza hasta salados, yogur y alimentos procesados e incluso fórmulas lácteas para bebés, así como alimentos para bebés. |
| |
Y es probable que haya... si ha comido algo hoy, es muy probable que también haya consumido algo de leche descremada en polvo o leche entera en polvo porque es muy frecuente, 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 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 también es mucha más confusión. |
| |
Y a veces creo que es justo decir que incluso cuando tienes toda la información y tienes... así que 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 tratar de alejarnos más del lado derecho del cerebro, donde se enfoca en usar, supongo, suposiciones, corazonadas, conjeturas e intuición. |
| |
y moviéndose más hacia el lado izquierdo del cerebro, donde está más enfocado en usar la lógica y las matemáticas y la razón y la ciencia, pero esto es lo que queremos usar más en el negocio y usar más la toma de decisiones basada en datos en todo el negocio. |
| |
Una vez me pidieron antes de una presentación 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 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. |
| |
Entonces, queremos tomar los datos que existen en el negocio y usar análisis 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 |
| |
en realidad terminamos con más preguntas. Pero estas son realmente importantes y realmente poderosas, porque son preguntas que no sabíamos hacer desde el principio. |
| |
Entonces, a veces necesitamos volver atrás y mirar nuestros datos nuevamente y ayudarnos a obtener respuestas a estas preguntas. |
| |
Pero, en última instancia, cuando llegamos al punto en 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... enviarnos enviarnos en la dirección correcta. |
| |
Y si entendemos nuestro proceso lo suficientemente bien, tenemos suficiente información, 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 percepción también debería permitirnos tener una buena previsión, en la que podamos predecir lo que va a suceder. |
| |
Entonces, como dije al principio, el propósito de esta presentación es brindar una serie de ejemplos de las diferentes formas en que se han utilizado los datos en Dairygold. |
| |
Estamos, diría, ya sabes, muy avanzados desde una perspectiva interna, en términos de tomar decisiones basadas en nuestros datos, y estamos comenzando en toda el área de aprendizaje automático e IA en este punto. |
| |
Así que soy un gran creyente de 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 resaltar que se puede extraer mucho valor de análisis muy simples. Entonces, el primer ejemplo que quiero compartir aquí es que son solo gráficos de barras. |
| |
Pero a veces creo que las personas pueden entrar en presentaciones y tener gráficos de barras que abarcan varias páginas y con JMP, es tan fácil poner toda la información en un solo |
| |
vista. Entonces, en este caso, estamos viendo el ácido nítrico en un proceso de limpieza y aquí arriba, podemos ver cada punto de datos individual 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 usó en cada uno de los pasos. El siguiente paso que estamos viendo... observando la cantidad de usos, es decir, la cantidad de veces que se completó el ciclo de 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 que se usan, 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 sea 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 diariamente, semanalmente, mensualmente, es la suma del ácido nítrico utilizado en todo el 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 dieron una gran dirección |
| |
en el negocio y nos despidió... lo siento, evitó desviarnos por la tangente porque cuando miramos todos estos datos, podemos ver que |
| |
Tres áreas diferentes saltaron. Tuvimos un enjuague final, un preenjuague y otro paso de enjuague final también. Y los datos estaban mostrando |
| |
ese ácido se estaba utilizando 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 inicialmente un proveedor había configurado etiquetas de datos incorrectas en nuestro sistema de escáner (?) |
| |
para nuestros caudales monitoreados. Entonces, donde pensábamos que en realidad estábamos monitoreando el uso de ácido nítrico, en realidad no lo estábamos haciendo. Nos estaban informando incorrectamente. Entonces |
| |
Realmente podríamos haber ido y profundizado y comprendido 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 los negocios 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 se nota... 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. Así que está viendo minutos de tiempo de inactividad en el eje Y aquí |
| |
para cada una de las seis áreas diferentes dentro de la planta de queso, para cada uno de los seis meses 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, se le perdonará que piense que los datos se han inventado porque la cantidad de minutos es muy baja, pero es realmente importante desde un punto de vista |
| |
perspectiva de 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. Nos quedan 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 turnos 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 fuelles C y D. |
| |
Y tal vez más problemas con C y D aquí. Entonces, lo que pudimos extraer de este análisis fue que los turnos C y D están luchando un poco desde una perspectiva de mantenimiento y necesitaban un poco más de apoyo. |
| |
Nos gusta especialmente la vinculación dinámica. |
| |
elemento de JMP también para la exploración de datos. Y, en este caso, debo señalar que tenemos muchos laboratorios dentro del negocio, así que 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 vinculación interactiva 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 depósito mediante el cual tenemos problemas que existen dentro del negocio, así que en este caso estoy resaltando el bloque... lo siento, estoy mostrando tubos bloqueados y evaporador CIP 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 ocurrieron 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 una perspectiva de factores, entonces podremos |
| |
mire hacia el futuro para ver los riesgos para el negocio cuando algo suceda, para que sepamos que la próxima vez que tengamos un corte de energía, tal vez necesitemos aumentar la cantidad de pruebas en esta etapa o proceso porque existe un mayor riesgo de estreptococos. |
| |
A veces llegas al punto en que tienes tantas barras que necesitas agregar, conoces la estacionalidad y es más suave. |
| |
líneas también para agregar más visibilidad. Este es un desafío que tenemos en el negocio, del cual hablaré más adelante, es el elemento de estacionalidad del negocio. |
| |
Y lo estamos mucho, porque las vacas comen hierba y la hierba se usa, obviamente para hacer la leche, en última instancia, y porque, en Irlanda, el clima es muy poco confiable. |
| |
Puede estar lloviendo un día y nevando al siguiente y sol al día siguiente, así que desde una perspectiva estacional, donde cada uno de los colores de la barra aquí se usa para representar un año diferente, entonces 2015, 16, 17, 18. |
| |
Y también son solo los fines de semana, debo agregar, y está mirando los pedidos generales de fin 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 unos a otros y seis semanas después, hubo una ola de calor, con una prohibición de mangueras de agua. |
| |
Por lo tanto, es muy, muy difícil usar datos de estacionalidad que dependen efectivamente del clima dentro del negocio, pero ese es uno de los desafíos que tratamos de superar. |
| |
Por lo tanto, desde una tendencia... manteniendo la perspectiva de la tendencia, también usamos JMP para la exploración no impulsada por proyectos. Este es un ejemplo de un promedio mensual de 2800 proveedores de leche de |
| |
tanto los resultados de proteínas como de grasas entran en el negocio durante un período de dos años. Entonces, cada marca aquí representa, en este caso, septiembre de 2018, octubre de 2018, y así sucesivamente. |
| |
Por lo tanto, muestra el rango de variación que existe, tanto dentro como entre nuestros proveedores. Y lo que es útil, es que podemos concentrarnos, y podemos decir en particular para este tipo, como ejemplo, ¿por qué este tipo está tan drogado? |
| |
Y tiene un alto nivel constante de grasas y proteínas y ¿hay algo que podamos aprender de este proveedor que tal vez podamos llevar a otros proveedores? |
| |
O, por el contrario, ¿hay otros proveedores en el extremo inferior? |
| |
eso podría funcionar con un poco de apoyo y ayuda de nuestros asesores de leche porque constantemente no pueden obtener sus niveles de proteína y grasa en la leche |
| |
alto. Estos son importantes, porque estos son los parámetros por los que se les paga a los agricultores, el nivel de proteína y grasa. |
| |
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 grasa y proteína son en realidad más altos que los de los demás, pero tiene menos volumen para devolverle a Dairygold, pero esa es su elección. |
| |
parcelas paralelas. |
| |
Y estos son mis favoritos actuales porque creo que simplemente muestran mucha información en una página, al mismo tiempo, para tantos parámetros diferentes. |
| |
Este es un problema que está ocurriendo en este momento, por lo que está literalmente recién salido de la imprenta y el problema aún no se ha resuelto. |
| |
Entonces, lo que estamos viendo aquí es... se relaciona con obstrucciones de polvo intermitentes 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, OK, así que el equipo está estrangulador y tenemos que detener el equipo y limpiarlo. |
| |
Así que 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 representa un minuto en el tiempo para la configuración de cada uno de estos 30 parámetros. El rojo indica el |
| |
minutos que están en la hora previa a la estrangulación, 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 algo que no es 540 hilos aquí arriba, 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 e incluso mejor cuando puedes superponerlos uno encima del otro también, y tengo... el no estrangulador está fantasma en el fondo. Así que ahora lo interesante es que en realidad podemos ver |
| |
cómo el escenario de estrangulamiento difiere del sin estrangulamiento y comprender lo que está sucediendo. Entonces, como ejemplo, una pregunta que se está explorando en este momento es, |
| |
ya sabes, parece que tenemos niveles más bajos de lo que sea esto... presión diferencial. |
| |
Y en su mayor parte, cuando nos atragantamos, ¿es este un factor contribuyente potencial que deberíamos tener en cuenta? ¿Es esto algo que lo está causando? Porque el orden típico de operación |
| |
los parámetros cuando las cosas van bien para la presión diferencial también son altos aquí. Así que de nuevo, sólo 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 del negocio. |
| |
Y el tamaño del punto representa el volumen de leche que el proveedor proporciona a Dairygold, así que ya sabes, cuanto más grande es el punto, más grande es realmente la granja. |
| |
Y hay una escala divergente aquí, donde esperamos que el volumen... lo siento, los niveles de proteína deberían ser 3.5, así que estamos menos interesados en eso y está sombreado en gris. |
| |
Pero cualquier valor superior a 3,5 está en verde, así que... son los tipos a los que les está yendo muy bien, y en rojo están los proveedores que tal vez, |
| |
disculpe, que tal vez estén luchando un poco para aumentar sus niveles de proteína. Entonces, aquí es donde podemos usar nuestros propios datos para tal vez comunicarnos y ver si hay proveedores que podrían necesitar algún apoyo de nuestros asesores de leche y también podemos ayudarlos, lo que es muy útil. |
| |
Siguiendo con el elemento geográfico, también hemos podido desmentir algunos mitos antiguos. Así que estos son los |
| |
debates que podrían tener lugar en el enfriador de agua en los que alguien diría que esta cosa, NPN, está definitivamente 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 bastante más como 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 contiene muchas otras cosas, y si solo estamos viendo la proteína como un todo, puede considerar que toda la pinta es proteína que obtenemos en la leche de los granjeros. |
| |
Pero esa proteína se puede descomponer en la verdadera proteína, 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, el poco espumoso aquí, es la otra cosa, la urea y el ácido úrico, y así sucesivamente. |
| |
Si bien 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. |
| |
Así que dependiendo del proceso, puede darse el caso de que tengamos niveles más altos o más bajos de NPN, nitrógeno no proteico, en un momento dado del año, |
| |
entonces podría ser mejor dirigir ese producto a un sitio en particular |
| |
ahora en otro sitio, por lo que podemos ser quizás estratégicos. Y la pregunta siempre ha sido, ya sabes, apuesto a que en una época particular del año, la ubicación geográfica afectará los niveles de nitrógeno no proteico en todo el mundo. |
| |
las localizaciones geograficas. 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 |
| |
bien entre sí para cada región y también cada vez que se reduce la cantidad de variación, |
| |
digamos en julio aquí, parece reducirse en todas las regiones, excepto tal vez por una pequeña anomalía aquí para Tipperary, en este caso. |
| |
Pero en su mayor parte, cuando la variación aumenta también en una región, aumenta en todas las regiones. |
| |
Así que ya no podemos... ya no necesitamos hablar 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 la línea media (?) a nuestros proveedores mixtos y nos ayuda a comprender las futuras intenciones de volumen 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 2800 proveedores y, en este caso, la pregunta que hicimos fue: ¿cuáles son los factores limitantes del crecimiento en su granja? |
| |
Y a las personas se les dieron nueve opciones, así que en este caso, factorice de uno a nueve. Así que se les pidió que clasificaran en orden de mayor o menor importancia, del uno al nueve, los factores que se les presentaban. Entonces, como puedes imaginar, obtienes 2,800 resultados |
| |
de cada proveedor, pero cada resultado tiene una puntuación del uno al nueve y algunos de ellos no siempre obtuvieron una puntuación del uno al 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 represente a toda la comunidad agrícola informando a Dairygold, si lo desea? |
| |
Y los resultados son... así que 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 el Factor 4 como el más significativo. |
| |
factor limitante para la expansión de sus fincas. Eso es seguido por 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. |
| |
Entonces, 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 viernes, sábado y domingo para 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 en aplicaciones y... o |
| |
pueden sonar en el pedido. Pero se puede ver aquí claramente los viernes, ya sabes, cuando el primer |
| |
ocurre el ordeño de las vacas, algunos granjeros están saliendo y, justo a las cinco de la mañana, diciendo está bien, necesito más alimento. Voy a hacer un pedido aquí automáticamente en la aplicación. |
| |
Y nuevamente, podría volver a suceder, tal vez a las 12 en punto y depende del tiempo 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 efectivos de personal durante el fin de semana, por lo que no tiene sentido tener la misma cantidad de personas un domingo que un viernes. Quizás más |
| |
El tiempo debe gastarse enfocado... y más empleados deben concentrarse en recibir pedidos un viernes y tal vez también temprano el sábado por la mañana. Por lo tanto, los niveles de personal en nuestras tiendas fueron mucho más efectivos. |
| |
Nuevamente, siguiendo con el tema del color y, como sabemos, los análisis sofisticados, pero como notará, llegaremos allí en breve, |
| |
pero siga con el tema del color, y lo que está viendo aquí es el resultado donde hemos representado gráficamente una gran cama de queso. |
| |
Entonces, cuando digo grande, probablemente tenga 25 metros de largo y probablemente dos metros de ancho. Así que 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 medir la altura de los bloques a la izquierda, en el medio y en el lado derecho. |
| |
Entonces, lo que estamos tratando de hacer es obtener un indicador de la altura de la cama de queso para esta gran losa de queso. |
| |
Y una vez que pudimos hacer eso, pudimos obtener una muy buena imagen de lo que realmente está sucediendo y usar el color como guía, así como el ancho de 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 es de 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 es más o menos apuntando 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, mire, hemos usado mucho el control estadístico de procesos en todos los negocios y para, |
| |
ya sabes, buscar oportunidades, así como verificar mejoras. Aquí estamos viendo el uso de dióxido de carbono y usamos dióxido de carbono en el sitio en nuestros productos y particularmente en nuestros polvos, |
| |
cuando envasamos polvos para extender la vida útil de los productos, lo cual es una práctica estándar en la industria. |
| |
Así que expulsamos parte del aire y añadimos dióxido de carbono cuando llenamos las bolsas y, pero pueden ver aquí eso, y luego sellamos las bolsas, pero pueden ver aquí, tuvimos mucha variación, particularmente en 2017. |
| |
Y pudimos controlar ese proceso, 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 surja un patrón aquí que justifique una investigación, pero |
| |
también hay muchos beneficios en este tipo de cosas, porque mientras... además de tener nuestro proceso bajo control y haber podido demostrarlo estadísticamente, también podemos crear algunos |
| |
estudios para evaluar efectivamente 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 absorbe el dióxido de carbono, entonces conduce a otras ventajas, por lo que una de ellas es |
| |
cuando la grasa absorbe el dióxido de carbono en una bolsa, crea un vacío dentro de esta bolsa sellada, por lo que cuando crea un vacío |
| |
la bolsa comienza a sellarse 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 tarimas para su transporte y envío. |
| |
ahora es como si estuviéramos apilando bloques de hormigón, en lugar de tratar de apilar almohadas que son suaves, esponjosas y flexibles. Así que hay ganar, ganar por todas partes. Tenemos |
| |
usado y definitivamente no soy un codificador, pero definitivamente nos acercamos y recibimos mucha ayuda del grupo de usuarios irlandeses |
| |
y a la Comunidad JMP... Y en realidad, ¿sabes qué? Voy a señalar a Troy Hickey de Intel, en particular, quien 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 tal vez 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, las respuestas de un experto son excelentes. |
| |
Entonces, en este caso aquí, pudimos crear un código usando algo de JSL y pudimos crear esto y el gráfico de control |
| |
formato, si lo desea, que está en formato tabulado. Entonces, en este caso, para leche descremada en polvo, leche entera en polvo, suero de leche en polvo desmineralizado y caseína para medir proteínas |
| |
pruebas en nuestros en nuestros laboratorios. Tenemos alrededor de 30 pruebas diferentes en este 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, por ejemplo, digamos que si estamos buscando, 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 el |
| |
estándar dice que debería ser. Así que queremos un objetivo de cero y esto nos muestra que, en este caso donde fuera para |
| |
proteína, en polvo de suero de leche desmineralizado, estamos ligeramente fuera; somos .04 y podemos hacer un seguimiento del perfil de nuestro proceso y podemos obtener |
| |
el proceso para señalarnos que se ha producido un cambio de proceso. Así que 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 para rectificar... rectificar el problema, el cambio de proceso 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 está funcionando todos los días y, a pesar de que 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, a pesar de que los límites de control están configurados para |
| |
en base a datos previos en el proceso. Así que realmente bueno comunicarse con JMP Community aquí. En términos de |
| |
los tiempos de llegada de los camiones al negocio, por lo que en este caso tenemos 54 000 camiones cisterna que llegan a cuatro sitios diferentes, de medianoche a medianoche. |
| |
Y es muy bueno para darnos una idea de las diferentes distribuciones que existen, desde el tiempo de entrega hasta los sitios. Y esto es importante para nosotros, porque no queremos... queremos que venga un camión cisterna 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, podría tener un escenario aquí, en el que tiene camiones alineados detrás de otros camiones. Queremos que fluya bien, durante todo el proceso. |
| |
Y aquí, se puede ver como un ejemplo, de ocho de la mañana a nueve en punto, |
| |
ahí es donde, ya sabes, la gente probablemente se ha 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 están detenidos o se han ido por.... los conductores se han ido 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, así que dos sitios, en este caso, Clonmel Road y Castlefarm, |
| |
para los caminos que llegan, y estos sitios están muy cerca uno del otro, para los caminos que llegan en dirección norte, sur, este y oeste, |
| |
¿Cómo se ve? ¿Tenemos una distribución clara entre los datos que queremos o |
| |
¿Hay algunos transportistas que no están entregando las 24 horas desde el este, por ejemplo? Y podemos entender lo que está pasando, y también podemos tomar esa información, |
| |
y decir, está bien a partir de una tasa de descarga de bombas, porque en este caso tenemos dos sitios que tienen 11 bombas que están descargando |
| |
más de medio billón de litros en dos sitios, un 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, |
| |
por lo que pueden bombear más rápido y más leche en la misma cantidad de tiempo que quizás algunas de las otras bombas. Y puedes ver aquí que |
| |
en el sitio 2, la bomba número tres es la bomba más eficiente, mientras que, en general, la bomba 4 y la bomba 3 son las bombas menos eficientes. Entonces, si tuviéramos que realizar una revisión de mantenimiento, 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 hacemos esto, ya sabes, |
| |
tantas veces, que ya ni siquiera puedo llevar la cuenta. En este caso, observando los ortofosfatos (?), y ya sabes, es un calibre R&R 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 sabe que tenemos muy buenos |
| |
sistemas de medición establecidos que sean consistentemente confiables. E independientemente de la parte que le vayas a entregar a cualquier analista, volverá y te dará el mismo resultado. |
| |
Entonces, 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 un análisis de concordancia de atributos. |
| |
Entonces, en este caso, estamos viendo las evaluaciones visuales de los productos empaquetados, y puede estar buscando algo como redondez o bordes dañados o el estampado. |
| |
legibilidad y así sucesivamente. Entonces, después de que se realizaron las mejoras, pueden ver aquí que estamos, ya saben, tenemos un acuerdo del 90 al 95 % entre los evaluadores. |
| |
En general, puede ver, el nivel de acuerdo es del 82% en términos de la cantidad de partes coincidentes 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 el acuerdo con el estándar ahora es del 96 %, por lo que es realmente bueno. Y nuevamente, usted sabe que podemos asegurarnos de que nuestros productos se clasifiquen de manera confiable incluso cuando son subjetivos. |
| |
Obviamente, también podemos diseñar experimentos para cuantificar el efecto de varios factores. Entonces, en este caso, estamos viendo WPNI, que es el índice de nitrógeno de proteína de suero, por lo que este es un nivel de la medida. |
| |
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 desee usar nuestro producto para convertirlo en, tal vez, yogur, |
| |
entonces el producto no sería adecuado porque podría dejar tal vez una sensación granulosa, una sensación granulosa en la boca, tal vez o algo así, por lo que no es adecuado para un producto como el yogur. |
| |
Así que teníamos problemas con los resultados inconsistentes del índice de nitrógeno de la proteína del suero, y se notó cierta ambigüedad en nuestro procedimiento, |
| |
en que estaba abierto a la interpretación. Entonces podría decir, ya sabes, sacude algo, |
| |
agite este vial, ya sabe, podría decir simplemente agítelo, y alguien podría decir, sí, lo agito durante cinco segundos, alguien más podría decir, acabo de invertir 10 veces, y alguien más diría, sí, lo agito vigorosamente durante 30 segundos. |
| |
Así que todos, con la mejor de las intenciones, siguieron el procedimiento, pero si el procedimiento es ambiguo, entonces está abierto a interpretación y eso también puede generar inconsistencias. |
| |
Entonces, lo que estamos tratando de hacer es diseñar ensayos para comprender los factores que pueden influir en la variación de nuestro proceso. |
| |
Así que aquí tenemos una solución de cloruro de sodio, así que solo una solución de agua salada, hecha con una barra inicial y sin barra inicial. |
| |
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 de 37 y 40 grados, esta es una de las cuatro soluciones codificadas por colores. |
| |
Y luego tenemos los intervalos de agitación del baño de agua y la cantidad de gotas de ácido clorhídrico que creo que también se usó. |
| |
Y nuevamente, podemos usar el explorador interactivo para ver cuándo tenemos resultados bajos de WPNI, qué está pasando con el proceso. Un poco |
| |
más difícil entender lo que está pasando aquí, por lo que obviamente tenemos que ir un poco más allá y empezar a construir algunos modelos y comprender lo que está pasando. |
| |
Los modelos son bastante buenos aquí en términos de fortalezas de las que estamos hablando, R cuadrado es solo alrededor 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 generador de perfiles de predicción 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 anteriormente 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, entonces esto es cuando el efecto de un factor depende de la configuración de nivel de otro. |
| |
Pero puedes, ya sabes, puedes tratar de explicarle a alguien en una página el efecto de la 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 interacción pequeña. O puede tomar los datos y trazarlos, |
| |
y en este caso, muchas personas en realidad no han visto cómo se ve una interacción con dos factores, y así es como se ve una interacción... interacción y se puede usar como... |
| |
como una herramienta educativa también. Entonces, en nuestro caso aquí, tenemos el resultado WPNI aquí en nuestro eje y, lo siento, sí, en nuestro eje y, |
| |
duración en placa de 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 una 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 ver que salta hacia abajo. Entonces |
| |
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, de nuevo, mucho conocimiento y comprensión del proceso. También podemos usar algunas herramientas de clasificación, en este caso, árboles de decisión para tratar de comprender. |
| |
Entonces, esta es una consulta de I + D en relación con el dorado del queso y, como también suena, está relacionado con el dorado del queso. |
| |
en un horno cuando se aplica calor tan poco, como en las pizzas. Por lo tanto, no queremos que el queso se queme demasiado pronto, así que si se trata de queso cheddar en una pizza, no querrá que se queme demasiado pronto. |
| |
Quieres que tenga un poco de vida y la receta para cocinar. De nuevo, y aquí hay un ejemplo de una clasificación, lo siento, un árbol de decisión, donde estamos viendo |
| |
tres niveles diferentes, si lo desea, tostado claro, medio y oscuro representado por el árbol, el color es verde, |
| |
ámbar y rojo, respectivamente. Y podemos ver que el pH en marcha es el factor más importante aquí, en particular, si el pH en marcha es superior a 6,48, |
| |
entonces podemos ver que el 99,3% de nuestro proceso va a tener, ya sabes, un dorado claro, 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 de literalmente 20 kg, se toma de una esquina, entonces sabemos que tenemos un 31% de posibilidades de obtener |
| |
dorado oscuro, por lo que no va a ser bueno. Así que desde esta perspectiva, y podemos podemos ver que el tamaño de la |
| |
los recuentos que son la cantidad de objetos también están causando eso, 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 pasando en su proceso, en términos de los factores importantes que mejor separan, en este caso, la clasificación de tostado. |
| |
Y digo bosque de arranque encubierto aquí, porque saben que creo que esta es una herramienta infrautilizada dentro de JMP y... si entienden lo que hace un árbol de decisiones y cómo funciona, entenderán 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 la detección del predictor utiliza el algoritmo del árbol de decisiones en segundo plano y usa el bosque de arranque, que es |
| |
muestreo con reemplazo también, para crear un grupo de estos árboles y pegarlos todos juntos y luego darle los resultados promedio, si lo desea, de los árboles. Entonces, en este caso, señalar que, y esto es de la |
| |
ejemplo de diagrama paralelo anterior para los 30 parámetros de máquina diferentes, en este caso, nota que en realidad hay 31, |
| |
porque cuando volví al equipo, dije que había algo diferente en la presión de aire de esta boquilla y parece ser un factor importante y la evaluación de los predictores me lo dice. |
| |
Una mano se alzó al fondo de la sala y en realidad dijeron: |
| |
de todos los parámetros, ese probablemente no debería haber estado allí porque no es realmente un parámetro de máquina, simplemente lo metimos en nosotros mismos para ver si saltaba algo. |
| |
Y efectivamente, este es el que saltó de la página, por lo que tuvo que ser sacado y evaluado por separado. |
| |
En términos de, y estoy cerca también, en términos de presentación, así que en términos de ellos |
| |
Usando modelos para predecir el rendimiento futuro, aquí es donde nos estamos moviendo de los conocimientos a la previsión. |
| |
Y aquí es donde creamos un modelo bastante sólido con una efectividad del modelo del 76 %, basado en 1438 observaciones. |
| |
La pregunta era: ¿podemos crear una herramienta que nos ayude a predecir la cantidad de pedidos que ingresan al negocio cualquier día de la semana, cualquier semana del año y |
| |
también predecir la cantidad de pedidos que recibiríamos... lo siento, ¿también predecir las cantidades de pedidos que recibiremos 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 aplicable, la fecha que desee, y el día de la semana y luego determine si es feriado bancario o no. |
| |
Y pueden ver aquí, tengo dos configuraciones diferentes configuradas aquí. Uno es para cuando tenemos un feriado bancario, otro cuando no lo tenemos, y pueden ver que hay un importante |
| |
efecto de interacción aquí entre festivo y día de la semana también. Para que podamos volver al negocio, digamos en |
| |
cualquier día de la semana, el 26 de octubre de 2019, que es un jueves y no un fin de semana festivo, se espera que lleguen 120 pedidos y también equivaldrá a poco menos de 1100 toneladas métricas de producto. |
| |
Así que en realidad hicimos esto durante dos fines de semana, un fin de semana en el que tuvimos un feriado bancario y no tuvimos un feriado bancario, y en realidad fue del 85 %, lo cual es realmente bueno. Entonces, aunque el modelo fue del 76%, en realidad salió bastante bien. |
| |
Luego, de la perspicacia a la previsión, donde nuevamente buscamos... tratando de dar cuenta de la verosimilitud de la temporada, |
| |
aquí tenemos diferentes años, representados por diferentes colores, así que 2015, 16, 17, 18 y así sucesivamente. Y estamos viendo un número... algunos de los pedidos de cantidad de alimento que llegan |
| |
el negocio. Cada punto representa una cantidad de pedido semanal y lo que me he excedido aquí es que he superpuesto 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 real, por lo tanto real versus predicho. |
| |
Y luego poder usar, y si soy honesto, no recuerdo... era pronóstico exponencial estacional o nuestro ARIMA estacional, |
| |
estacional ??? promedio móvil métrico para determinar los próximos seis meses, cómo será eso. |
| |
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 negocio en el futuro. |
| |
Y por último, y supongo que un tramo, para nosotros, porque no hemos entrado en la zona antes, sino en las redes neuronales. Entonces, usar redes neuronales, en este caso, como una prueba para comprender si podemos clasificar los sedimentos en nuestro proceso. Entonces, si tenemos resultados de ADPI, esto es |
| |
una plataforma de sedimentos y estamos viendo una cantidad de partículas posiblemente quemadas, tal vez de un proceso de secado o algo así, y ¿dónde estamos? ¿Es un nivel A, B, C o D? |
| |
Aquí, el resultado del tamiz representa la cantidad de partículas que quedan en un tamiz y los resultados de un tambor T1B1 representan la parte superior e inferior. |
| |
T1 representa el número de partículas que podrían estar flotando sobre el agua y B podría representar el número de partículas en el fondo, por lo que el sedimento se hundió hasta el fondo. |
| |
Y nuevamente usándolo en la red neuronal aquí y con la validación cruzada de K fold, así que creo que K se estableció en 10. tenemos nueve |
| |
La activación también funciona aquí, creo. Sí, hiperbólico... lineal, gaussiano y, creo, tangente hiperbólico también. |
| |
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. Así que podemos usar, |
| |
en este caso, 6.245 resultados a |
| |
entrenar nuestro modelo y luego, una vez que 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 las calificaciones B, como lo hacemos con A1, pero nos muestra que, ya sabes, si tenemos una calificación A2 |
| |
que predijimos que 35 de ellos serían dos verdaderos y solo dos serían A1. entonces puede haber algún error y el error puede venir de cómo era el modelo, |
| |
ya sabes, creado inicialmente por calificadores que intentaban evaluar manualmente la diferencia que existe en cada uno de estos si y cuando |
| |
surge cierta ambigüedad en los resultados y luego intenta hacer una llamada final. Entonces, supongo que la pregunta aquí es, ¿podemos hacer que una máquina prediga cuál será la decisión final con un buen grado de precisión? |
| |
Y nuevamente, esperaríamos que la probabilidad de obtener un grado asignado como A1 aquí arriba, sería bastante alta si el resultado de la volteadora fuera T1B1, apenas flotantes o hundidos |
| |
y si los resultados del tamiz también fueran bastante bajos, en términos de la cantidad de partículas, 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 que podría haber algunos errores en el modelo. |
| |
Y nuevamente, puede ver que un modelo muy... bastante complejo que se creó aquí |
| |
para esto, pero sabes que es un poco como una 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 e IA. |
| |
Así que sé que le disparé mucho a la gente, y fue bastante apresurado, y probablemente podría hablar durante horas sobre todo el asunto y disculparme... disculpa si se sintió apresurado, pero lo que diría es solo desde la perspectiva de los pensamientos finales, |
| |
Creo que se ha demostrado que, no importa en qué industria estés, incluso si hay en la industria agrícola, que está muy lejos del entorno típico de análisis de datos, en cualquier industria, puedes usar |
| |
análisis de datos para agregar un valor significativo al negocio, y puede comunicarse y ayudar a casi todas las partes del negocio. |
| |
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 realmente poderoso, y no subestimes el valor. |
| |
Aparte de eso, les diría gracias a todos por escuchar. Realmente lo aprecio y si tiene alguna pregunta o comentario, ahora es más que bienvenido. Gracias. |
