Conférencier
|
Transcription
|
| Kieran O'Mahony |
D'accord, merci beaucoup, je m'appelle Kieran O'Mahony et je suis le responsable de la science des données et de l'analyse pour Dairygold en Irlande. |
| |
Et le titre de ma présentation est Traite les données chez Dairygold, des graphiques à barres aux réseaux de neurones. |
| |
Je pense donc qu'il est juste de dire que l'utilisation de l'analyse de données est généralement plus associée à des industries telles que la finance et la santé, les produits pharmaceutiques, les semi-conducteurs, etc., et il est probablement rare que les mots, agriculture et analytique se trouvent dans la même phrase. . |
| |
Cette session a donc pour but de donner un aperçu de la façon dont certaines ... comment une entreprise très traditionnelle a à la fois adopté et encouragé l'utilisation de l'analytique dans toute l'entreprise. |
| |
Cette session sera donc probablement différente des autres sessions que vous pourriez voir à Discovery, en ce sens que ce que j'essaie de faire ici est moins de me concentrer sur un projet, mais plutôt de montrer plusieurs exemples de la façon dont |
| |
Dairygold a utilisé JMP pour permettre des décisions plus axées sur les données dans toute l'entreprise, et pas seulement dans le secteur de la fabrication, ce qui, à mon avis, est important. |
| |
Donc, avant de commencer, je suppose qu'il est important de donner un peu de contexte sur l'entreprise, un aperçu et ce que nous faisons. |
| |
Ainsi, Dairygold est la principale coopérative appartenant à des agriculteurs en Irlande, avec des installations de fabrication de fromage et de poudre nutritive à la fine pointe de la technologie situées au cœur des Golden Valleys. |
| |
D'accord, alors juste pour expliquer que, en tant que coopérative, nous ... signifie essentiellement que nous appartenons aux fournisseurs de lait, donc aux agriculteurs. |
| |
Nous avons donc 2 800 fournisseurs de lait qui nous fournissent du lait quotidiennement et chacun d'entre eux est actionnaire. Le modèle commercial est donc un peu inhabituel en ce sens que les fournisseurs de matières premières sont également les propriétaires de l'entreprise. |
| |
Donc le chiffre d'affaires de l'année dernière était de 1,2 milliard d'euros et nous avons environ 1 200 employés et nous transformons environ 1,4 milliard de litres de lait par an, donc c'est pas mal de lait qui nous arrive quotidiennement. En réalité, |
| |
au pic, parce que nous avons une activité saisonnière, au pic de production, on parle de plus de 6 millions de litres de lait arrivant quotidiennement sur les sites. |
| |
Nous avons également des magasins de vente au détail, où vous pouvez acheter n'importe quoi, du marteau aux appareils électroménagers, en passant par l'équipement agricole et tout le reste. Et nous avons également le côté agricole de l'entreprise, où nous produisons des aliments pour animaux dans nos usines. |
| |
Donc, Dairygold existe depuis longtemps, et il a commencé en 1908 sous le nom de Ballyclough, puis est devenu Mitchelstown en 1919, puis Dairygold en 1990. |
| |
Et nous sommes probablement venus ... enfin pas probablement ... il est juste de dire que nous avons parcouru un très long chemin depuis que le lait est livré par calèche, il y a toutes ces années. |
| |
C'est une organisation très traditionnelle et qui a beaucoup d'histoire, mais c'est aussi une organisation très progressiste. |
| |
Et quand je dis que nous avons parcouru un long chemin, vous savez que nous avons une très grande chaîne d'approvisionnement avec une flotte de pétroliers maintenant, et chaque pétrolier, |
| |
vous pouvez voir un exemple ici, chaque camion-citerne transporte environ 26 000 litres de lait et nous collectons quotidiennement le lait de nos 2 800 fournisseurs. Et c'est une chaîne d'approvisionnement très complexe dans le sens où |
| |
non seulement nous collectons le lait de nos fournisseurs, mais nous collectons également le lactosérum de nos usines de transformation de fromage, si nous ne le dirigeons pas automatiquement |
| |
par un tuyau vers un autre site. Nous l'avons donc collecté dans des camions-citernes également et nous les transportons vers d'autres sites. |
| |
Et nous faisons de même pour le concentré de lait écrémé et le concentré de lactosérum déminéralisé que nous vendons à d'autres clients, puis nous avons également la partie poudre et la partie fromage de l'entreprise où nous distribuons également. |
| |
Nous avons donc également certains des plus grands séchoirs (?) D'Europe, vous pouvez en voir un en particulier qui s'étend sur cinq ou six étages. |
| |
Ainsi, au cours des cinq ou six dernières années, Dairygold a investi plus de 400 millions dans les usines, il est donc sûr ... de s'assurer que nous avons ... |
| |
nous pouvons répondre aux besoins de l'expansion future du volume dans le pool laitier (?). En termes de produits que nous fabriquons, nous fabriquons |
| |
les poudres et le fromage, pour la plupart, des poudres de lait entier aux poudres de lait écrémé et aux poudres de protéines et de nombreux types de fromages, en particulier le fromage et le cheddar. |
| |
Et nous fournissons de multiples secteurs de la confiserie et de la pizza aux produits salés en passant par les yaourts et les aliments transformés et même les préparations pour nourrissons, donc les aliments pour bébés. |
| |
Et il est probable que vous ... si vous avez mangé du tout aujourd'hui, il est très probable que vous ayez également consommé de la poudre de lait écrémé ou du lait entier en poudre parce que c'est tellement répandu, ces jours-ci, dans tant d'ingrédients alimentaires. |
| |
Voilà donc le contexte de l'entreprise. Pour ce qui est des données, je pense qu'il est juste de dire que de nombreuses entreprises sont considérées comme très riches en données, mais pauvres en information. |
| |
Et il est également juste de dire que plus vous avez de données, parfois ce qui peut aller avec cela est aussi beaucoup plus de confusion. |
| |
Et parfois, je pense qu'il est juste de dire que même lorsque vous avez toutes les informations et que vous avez ... donc vous avez cette population, et vous avez, vous savez, une idée de quoi exactement |
| |
vous devez extraire afin d'obtenir des informations utiles de l'entreprise, parfois les entreprises ne savent pas exactement quoi faire avec ces données. |
| |
Et du point de vue de Dairygold, ce que nous voulons faire, c'est essayer de nous éloigner davantage du côté droit du cerveau, où il se concentre sur l'utilisation, je suppose, des hypothèses et des instincts, des conjectures et de l'intuition, |
| |
et se déplacer davantage vers le côté gauche du cerveau, où il est plus axé sur l'utilisation de la logique et des mathématiques, de la raison et de la science, mais c'est ce que nous voulons utiliser davantage dans l'entreprise et utiliser davantage la prise de décision axée sur les données dans l'ensemble de l'entreprise. |
| |
On m'a demandé une fois avant une présentation, de faire un résumé de la stratégie de données de Dairygold et de le faire sur une seule page, et je suppose qu'à l'époque, je ... |
| |
c'est quand j'ai réalisé que nous n'avions probablement pas de stratégie de données solide à l'époque. |
| |
Mais ce que j'essaie de faire ici maintenant, c'est simplement de montrer dans une seule image quelle est notre stratégie de données réelle et c'est très simple. |
| |
Nous voulons donc utiliser les données existantes dans l'entreprise et utiliser les analyses pour les transformer en informations utiles. |
| |
Et à partir de ces informations, nous obtenons des réponses aux questions clés que nous nous posions, et parfois non seulement nous obtenons des réponses aux questions que nous nous posions, mais parfois |
| |
nous nous retrouvons en fait avec plus de questions. Mais celles-ci sont vraiment importantes et vraiment puissantes, car ce sont des questions que nous ne savions pas poser dès le départ. |
| |
Nous devons donc parfois revenir en arrière et examiner à nouveau nos données et nous aider à obtenir des réponses à ces questions. |
| |
Mais en fin de compte, lorsque nous arrivons au point où nous avons des réponses à toutes nos questions, nous sommes dans une bien meilleure position et nous avons beaucoup plus d'informations sur nos processus. |
| |
Et avec cette perspicacité, nous sommes alors en mesure de prendre des décisions opportunes basées sur les données et de nous donner le droit ... envoyez-nous nous envoyer dans la bonne direction. |
| |
Et si nous comprenons suffisamment bien notre processus, nous avons suffisamment d'informations, nous devrions alors être en mesure d'utiliser ces données pour pouvoir |
| |
comprendre ce qui pourrait se passer dans le futur, avec un haut degré de précision. Donc, une bonne perspicacité devrait également nous permettre d'avoir une bonne prévoyance, où nous pouvons prédire ce qui va se passer. |
| |
Ainsi, comme je l'ai dit au début, le but de cette présentation est de donner un certain nombre d'exemples des différentes manières dont les données ont été utilisées dans Dairygold. |
| |
Nous sommes, je dirais, vous savez, longtemps sur la voie d'un point de vue interne, en termes de prise de décisions basées sur nos données, et nous commençons dans tout le domaine de l'apprentissage automatique et de l'IA à ce stade. |
| |
Je suis donc convaincu que la simplicité peut aussi être très puissante. |
| |
Et c'est pourquoi cette présentation est appelée des histogrammes aux réseaux de neurones. |
| |
Et je pense qu'il est vraiment important de souligner que vous pouvez extraire beaucoup de valeur d'analyses très simples. Le tout premier exemple que je veux partager ici est qu'il ne s'agit que de graphiques à barres. |
| |
Mais parfois, je pense que les gens peuvent participer à des présentations et avoir un graphique à barres couvrant plusieurs pages et avec JMP, il est si facile de mettre toutes les informations dans un seul |
| |
vue. Donc, dans ce cas, nous examinons l'acide nitrique dans un processus de nettoyage et ici en haut, nous pouvons voir chaque point de données individuel et pour chacune des étapes d'un processus de nettoyage à l'acide nitrique. |
| |
Et vous pouvez voir le niveau d'acide nitrique utilisé à chacune des étapes. La prochaine étape que nous examinons ... en regardant le nombre d'utilisations, donc le nombre de fois que cette étape a été cyclée. |
| |
Et ici, nous examinons l'utilisation moyenne d'acide nitrique pour chacune des étapes. Donc, à titre d'exemple, nous pouvons voir que, |
| |
vous savez, nous avons ici une moyenne plus élevée de 24 litres par semaine, mais la fréquence d'occurrence de cette étape n'était que de quatre fois, |
| |
et il était clairement biaisé par cette valeur aberrante ici, donc c'est évidemment biaisé, et probablement plus important, pour nous, car ce que nous essayons de faire ici, c'est de comprendre |
| |
et réduire la quantité d'acide nitrique utilisée quotidiennement, hebdomadairement et mensuellement, c'est la somme de l'acide nitrique utilisé tout au long du processus pour chacune des étapes du processus. |
| |
Et ce qui était important ... ce qui était important pour nous de souligner ici, je suppose, et encore une fois, ce ne sont que de simples graphiques à barres, mais cela nous a donné une direction énorme |
| |
dans l'entreprise et nous a renvoyés ... désolé, évité de nous envoyer sur une tangente parce que quand nous avons regardé toutes ces données, nous pouvons voir que |
| |
tjree différents domaines ont sauté. Nous avons également eu un rinçage final, un pré-rinçage et une autre étape de rinçage final. Et les données montraient |
| |
cet acide était utilisé lors de ces étapes de rinçage, ce qui n'est pas possible car les étapes de rinçage n'impliquent que de l'eau. |
| |
Un peu plus de fouille a donc montré que des balises de données incorrectes avaient initialement été configurées par un fournisseur sur notre système de scanner (?) |
| |
pour nos débits surveillés. Donc, là où nous pensions surveiller l'utilisation de l'acide nitrique, ce n'était pas le cas. Nous étions mal informés. Alors |
| |
nous aurions pu vraiment creuser profondément et comprendre notre processus et ce qui le conduisait, mais des graphiques à barres très simples donnent souvent une bonne direction et nous avons été en mesure de comprendre avec précision ce qui se passait réellement dans notre entreprise. |
| |
Et notre utilisation des graphiques à barres dans l'entreprise et, si je suis honnête, c'est probablement l'une de mes utilisations préférées des graphiques à barres dans les affaires parce que c'est si simple. |
| |
Mais cela montre ... il montre quatre dimensions différentes des temps d'arrêt sur une seule page, vraiment simple et très convivial et intuitif à utiliser et à lire, je pense aussi. |
| |
Donc, ce que nous avons ici, c'est la quantité de temps d'arrêt surveillé dans une fromagerie par mois. Vous regardez donc ici les minutes d'arrêt sur l'axe Y |
| |
pour chacune des six zones différentes à l'intérieur de la fromagerie, pour chacun des six mois d'avril, mai, juin, juillet, et ainsi de suite jusqu'en septembre par ordre décroissant, dans l'ordre du temps, je suppose, vraiment |
| |
pour chacun des quarts de travail A, B, C et D. Maintenant, vous pourriez être pardonné de penser que les données ont été constituées parce que le nombre de minutes est si bas, mais c'est vraiment important à partir d'un |
| |
perspective de fabrication du fromage que l'usine ne s'arrête pas. Ce sont donc des chiffres réels, je veux dire que nous surveillons les temps d'arrêt en quelques minutes par mois. |
| |
Si le processus s'arrête, le pH du produit change et cela peut |
| |
le prix de vente final et la qualité du produit également, il est donc important que nous ne nous arrêtions pas. |
| |
Et donc, c'est le niveau auquel nous sommes du point de vue de la maintenance. Nous en sommes à quelques minutes et ce que nous pouvons clairement voir ici, c'est qu'il n'y a pas trop de problèmes avec BetaVac, mais pour les blockformers, nous voyons des problèmes avec les décalages C et D. |
| |
avec plus de problèmes ici pour C sur Blockmaster. Dans cette zone de convoyeurs, à nouveau C sautent à nouveau, et à nouveau pour les goussets C et D. |
| |
Et peut-être plus de problèmes avec C et D ici. Donc, ce que nous sommes en mesure d'extraire de cette analyse, c'est que les équipes C et D ont un peu de mal du point de vue de la maintenance et ont besoin d'un peu plus de soutien. |
| |
Nous aimons particulièrement le lien dynamique |
| |
élément de JMP ainsi que pour l'exploration des données. Et, dans ce cas, je devrais le souligner, nous avons beaucoup de laboratoires dans l'entreprise, donc nous avons microbiologique, chimie, ??? laboratoires, |
| |
et nous testons le lait, le fromage et l'eau ainsi que le produit en cours et le produit fini et nous testons un grand nombre d'éléments de l'entreprise. |
| |
Et cette fonction de liaison interactive qui était, comme vous pouvez le voir ici, a été transformée en un HTML interactif, |
| |
a été utilisé pour que différentes personnes de l'entreprise puissent travailler à la création d'un référentiel, puis être en mesure de le visualiser et d'interagir avec lui. |
| |
Donc, ce que nous essayons de faire ici, c'est de créer un référentiel dans lequel nous avons des problèmes qui existent au sein de l'entreprise, donc dans ce cas, je met en évidence le bloc ... désolé, je montre les tubes bloqués et l'évaporateur CIP et la coupure de courant. |
| |
Et lorsque vous cliquez sur coupure de courant, vous pouvez voir les zones ombrées des barres vertes se mettre en surbrillance. Donc dans ce cas, vous voyez une coupure de courant, une ou plusieurs sont survenues en août. |
| |
Il a affecté ces étapes de traitement ici et le micro-organisme, en particulier, qui a été le plus vu dans ces processus était streptocoque. |
| |
Donc, la valeur ici est que lorsque nous continuons d'ajouter des problèmes à ce référentiel du point de vue des facteurs, nous pourrons alors |
| |
regarder dans l'avenir pour voir les risques pour l'entreprise lorsque quelque chose se produit, afin que nous sachions la prochaine fois que nous aurons une coupure de courant que nous devrons peut-être augmenter la quantité de tests à cette étape ou processus, car il y a un risque plus élevé de streptocoque. |
| |
Parfois, vous arrivez au point où vous avez tellement de bars que vous devez ajouter, vous connaissez la saisonnalité et plus lisse |
| |
lignes ainsi que pour ajouter plus de visibilité. C'est un défi que nous avons dans l'entreprise, dont je parlerai plus tard, c'est l'élément de saisonnalité de l'entreprise. |
| |
Et nous le sommes beaucoup, parce que les vaches mangent l'herbe et que l'herbe est utilisée, alors évidemment pour faire le lait, finalement, et parce qu'en Irlande, le temps est si peu fiable. |
| |
Il peut pleuvoir un jour et neige le lendemain et soleil le lendemain, donc du point de vue de la saisonnalité, où chacune des couleurs de la barre ici est utilisée pour représenter une année différente, donc 2015, 16, 17, 18. |
| |
Et ce n'est que le week-end aussi, devrais-je ajouter, et il regarde les commandes globales du week-end au milieu pour un green. |
| |
Vous pouvez voir que les années 2016 et 17 sont quelque peu similaires en ce qu'elles ont cette forme en m, alors que 2018 ici est très, très différente. |
| |
Donc, à titre d'exemple, voici où nous nous lançons tous des boules de neige et six semaines plus tard, il y a eu une vague de chaleur, avec une interdiction des tuyaux d'eau. |
| |
Il est donc très, très difficile d'utiliser des données saisonnières qui dépendent effectivement de la météo au sein de l'entreprise, mais c'est l'un des défis que nous essayons de surmonter. |
| |
Donc, du point de vue de la tendance ... en accord avec la perspective de la tendance, nous utilisons également JMP pour l'exploration non pilotée par un projet. Voici donc un exemple de 2800 fournisseurs de lait par mois en moyenne |
| |
les résultats en protéines et en matières grasses entrent dans l'entreprise sur une période de deux ans. Ainsi, chaque coche ici représente, dans ce cas, septembre 2018, octobre 2018, etc. |
| |
Cela montre donc la gamme de variations qui existe, à la fois au sein et entre nos fournisseurs. Et ce qui est utile, c'est qu'on peut se concentrer, et on peut dire en particulier pour ce gars, à titre d'exemple, pourquoi est-ce que ce gars est si haut? |
| |
Et il est constamment élevé pour les graisses et les protéines et y a-t-il quelque chose que nous pouvons apprendre de ce fournisseur que nous pouvons peut-être apporter à d'autres fournisseurs? |
| |
Ou, à l'inverse, y a-t-il d'autres fournisseurs en bas de gamme |
| |
cela pourrait faire avec un peu de soutien et de l'aide de nos conseillers laitiers, car ils sont constamment incapables d'obtenir leurs protéines et leurs niveaux de matières grasses dans leur lait. |
| |
haut. Ceux-ci sont importants, car ce sont les paramètres sur lesquels les agriculteurs sont payés, le niveau de protéines et de matières grasses. |
| |
Donc, dans ce cas, il s'est avéré que ce type en particulier était l'un des très rares fournisseurs de lait à choisir de ne traire qu'une fois par jour. |
| |
Donc, cela signifie que ses niveaux de graisse et de protéines sont en fait plus élevés que tout le monde, mais il a moins de volume à redonner à Dairygold, mais c'est son choix. |
| |
parcelles parallèles. |
| |
Et ce sont mes favoris actuels parce que je pense qu'ils affichent juste tellement d'informations sur une seule page, en même temps, pour tant de paramètres différents. |
| |
C'est un problème qui se produit actuellement, donc il est littéralement sorti de presse et le problème n'a même pas encore été résolu. |
| |
Donc, ce que nous examinons ici, c'est ... il s'agit de blocages intermittents de poudre sur les sécheurs à lit fluidisé et les cyclones, |
| |
ce qui signifie essentiellement que la poudre bloque les sécheurs et les cyclones. Et nous appelons ces étranglements, OK, donc l'équipement est étranglé et nous devons arrêter l'équipement et le nettoyer. |
| |
Donc, ce que nous regardons ici, c'est |
| |
30 paramètres différents, tous mesurés sur ... tous affichés sur l'axe X ici. |
| |
Et chacune des lignes allant de gauche à droite représente une minute dans le temps pour les réglages de chacun de ces 30 paramètres. Le rouge indique le |
| |
minutes qui sont dans l'heure qui précède l'étouffement, voici donc les réglages de niveau, si vous le souhaitez, pour 60 |
| |
occurrences ... 60 minutes avant tout étranglement, et ce groupe rouge représente ici neuf occurrences d'étranglement différentes. |
| |
D'accord, il y a donc tout ce qui n'est pas 540 brins ici, donc c'est effectivement l'empreinte digitale de ce qui se passe, juste avant qu'un étranglement ne se produise. |
| |
Et quand ... ce que nous essayons de faire, c'est de comparer cela aux scénarios de production d'exploitation normale typiques du point de vue des paramètres de la machine. |
| |
Et c'est vraiment bien, parce que vous pouvez voir comment ils se comparent et encore mieux quand vous pouvez les superposer les uns sur les autres aussi, et j'ai ... le no starter est fantôme en arrière-plan. Alors maintenant, ce qui est intéressant, c'est que nous pouvons réellement voir |
| |
comment le scénario d'étranglement diffère du scénario sans étranglement et comprendre ce qui se passe. Ainsi, à titre d'exemple, une question qui est actuellement explorée est, |
| |
vous savez, il semble que nous ayons des niveaux inférieurs de tout ce que c'est ... de pression différentielle. |
| |
Et pour la plupart, lorsque nous avons un étranglement, est-ce un facteur contributif potentiel que nous devrions rechercher? Est-ce quelque chose qui en est la cause? Parce que l'ordre typique fonctionne |
| |
les paramètres lorsque les choses sont bonnes pour la pression différentielle sont également élevés ici. Encore une fois, juste un exemple. |
| |
En utilisant les données GPS pour visualiser les modèles et les tendances de localisation des fournisseurs, nous examinons donc ici les niveaux de protéines en décembre et dans toute la région de Munster, où se trouvent tous nos fournisseurs. Et chaque point ici représente l'emplacement d'un fournisseur au sein de l'entreprise. |
| |
Et la taille du point représente le volume de lait que le fournisseur fournit à Dairygold, vous savez donc que plus le point est grand, plus la ferme est vraiment grande. |
| |
Et il y a une échelle divergente ici, où nous nous attendons à ce que le volume ... désolé que les niveaux de protéines devraient être de 3,5, donc nous sommes moins intéressés par cela et c'est ombré en gris. |
| |
Mais tout ce qui est supérieur à 3,5 est en vert, donc c'est ... ce sont les gars qui se débrouillent vraiment bien, et en rouge sont les fournisseurs qui sont peut-être, |
| |
excusez-moi, qui ont peut-être un peu de mal à augmenter leur taux de protéines. C'est donc ici que nous pouvons utiliser nos propres données pour peut-être tendre la main et voir s'il y a des fournisseurs qui pourraient avoir besoin du soutien de nos conseillers laitiers et nous pouvons les aider également, ce qui est très utile. |
| |
S'en tenant à l'élément géographique, nous avons également pu dissiper certains mythes séculaires. Donc ce sont les |
| |
des discussions qui pourraient avoir lieu à la fontaine à eau par lesquelles quelqu'un dirait que cette chose, NPN, est définitivement affectée géographiquement. |
| |
Le NPN est une chose assez difficile à expliquer, donc je vais utiliser ici l'analogie d'une pinte, une pinte de bière si vous le souhaitez. C'est plutôt un verre, je pense, vraiment. |
| |
Et donc, comme tout le monde le sait, le lait contient des protéines, des graisses, du lactose, des minéraux, des vitamines. Maintenant, ce sont de bonnes choses. |
| |
Et, mais il y a aussi beaucoup d'autres choses dedans, et si nous regardons simplement les protéines dans leur ensemble, vous pouvez considérer que la pinte entière est une protéine que nous obtenons dans le lait des agriculteurs. |
| |
Mais cette protéine peut être décomposée en la vraie protéine qui est essentiellement la partie liquide de la boisson ici. |
| |
Et c'est ce bit que nous pouvons réellement utiliser dans notre processus de fabrication. La tête de la pinte, le morceau mousseux ici, c'est l'autre substance, donc l'urée et l'acide urique, et ainsi de suite. |
| |
Bien que nous payions nos fournisseurs pour toutes les protéines, nous ne pouvons malheureusement pas utiliser toutes les protéines dans notre processus, nous ne pouvons donc utiliser que ce morceau ici, le vrai morceau, ou comme la vraie protéine. |
| |
Donc, selon le processus, il peut arriver que si nous avons des niveaux plus ou moins élevés de NPN, azote non protéique, à un moment donné de l'année, |
| |
alors il serait peut-être préférable de diriger ce produit vers un site particulier |
| |
maintenant sur un autre site, nous pouvons donc être peut-être stratégiques. Et la question a toujours été, vous savez, je vous parie qu'à un moment particulier de l'année, l'emplacement géographique aura un impact sur les niveaux d'azote non protéique à travers |
| |
les emplacements géographiques. Et ce que vous voyez ici, ce sont des données provenant de 284 000 points de données, donc 284 000 mesures de NPN, |
| |
azote non protéique, sur une année entière, dans six régions différentes de Munster, dans le sud de l'Irlande. |
| |
Et les lignes ici représentent les moyens et la différence de moyens qui existent d'un mois à l'autre, mais aussi les moyens qui diffèrent du point de vue des couleurs d'une région à l'autre. |
| |
Les boîtes à moustaches ici représentent la quantité de variation qui existe dans et entre, encore une fois, chacune des régions, donc clairement, vous pouvez voir que les moyennes suivent |
| |
bien les uns avec les autres pour chaque région et aussi à chaque fois que la quantité de variation diminue, |
| |
disons qu'en juillet ici, il semble diminuer dans toutes les régions, à l'exception peut-être d'une légère anomalie ici pour Tipperary, dans ce cas. |
| |
Mais pour la plupart, lorsque la variation augmente également dans une région, elle augmente dans toutes les régions. |
| |
Nous ne pouvons donc plus ... nous n'avons plus besoin de parler du potentiel de ceci et de l'autre. Nous sommes également en mesure de prouver et de réfuter les théories très rapidement avec nos données. |
| |
Tous les cinq ans, nous envoyons le recensement intermédiaire (?) À nos fournisseurs mixtes et cela nous aide à comprendre les futures intentions de volume et les défis que les fournisseurs pourraient avoir sur leur ferme. |
| |
Et cela donne une indication du sentiment du point de vue commercial et du point de vue de l'investissement, également de nos membres. |
| |
Récemment, nous avons envoyé plus de 100 questions à chacun de nos 2 800 fournisseurs et, dans ce cas, la question que nous avons posée était: quels sont les facteurs limitant la croissance de votre ferme? |
| |
Et les gens ont eu neuf options, donc dans ce cas, un facteur de un à neuf. On leur a donc demandé de classer par ordre d'importance la plus ou la moins importante, donc de un à neuf, ces facteurs tels qu'ils leur étaient présentés. Comme vous pouvez l'imaginer, vous obtenez 2800 résultats |
| |
de chaque fournisseur, mais chaque résultat a un score de un à neuf et certains d'entre eux n'ont pas toujours marqué de un à neuf, ils n'ont peut-être fait que leurs trois premiers, d'autres peut-être leurs cinq premiers ou sept premiers ou autre. |
| |
La question est donc de savoir comment représenter au mieux toutes ces données ces 25 000 points de données en une seule image claire qui représente l'ensemble de la communauté agricole faisant rapport à Dairygold, si vous le souhaitez. |
| |
Et les résultats sont ... donc la réponse ici est simplement un diagramme en mosaïque. Vous pouvez voir ici, espérons-le, très clairement que 48,8% des répondants, de nos fournisseurs, ont classé le facteur 4 comme étant le plus important |
| |
facteur limitant l'expansion de leurs exploitations. Vient ensuite le facteur 5, où 19% ont voté en tant que numéro un le plus significatif et 23% ont voté |
| |
comme numéro deux. Vous pouvez voir à nouveau les facteurs les plus importants pour les agriculteurs en allant de gauche à droite. |
| |
La couleur est donc vraiment importante ici et je continue avec cette équipe ici avec des cartes thermiques stratifiées, encore une fois, pour une partie très différente |
| |
commandes au détail. Donc, dans ce cas, nous examinons le nombre de commandes passées par heure de la journée le week-end uniquement |
| |
pour alimenter nos magasins. C'est donc pour vendredi, samedi et dimanche pour chacune des quatre années différentes de 2015 à 2018. |
| |
Et pour l'heure de la journée à laquelle les commandes sont envoyées. Désormais, les commandes peuvent être envoyées par les agriculteurs sur les applications et ... ou |
| |
ils peuvent sonner dans l'ordre. Mais vous pouvez voir ici clairement les vendredis, vous savez, quand le premier |
| |
il y a traite des vaches, certains agriculteurs sortent et, à cinq heures du matin, en disant d'accord, j'ai besoin de plus de nourriture. Je vais passer une commande ici automatiquement dans l'application. |
| |
Et encore une fois, cela peut se reproduire, peut-être à 12 heures environ et cela dépend de l'heure de traite du troupeau, etc. Mais la valeur ici est que nous pouvons |
| |
comprendre quelles sont les périodes les plus chargées du week-end pour recevoir les commandes et quand les commandes doivent être traitées, et cela peut nous permettre de comprendre |
| |
la meilleure façon d'avoir des niveaux de dotation efficaces tout au long de la fin de semaine, il est donc inutile d'avoir le même nombre de personnes le dimanche que le vendredi. Maaybe plus |
| |
Ttme devrait être dépensé concentré ... et plus d'effectifs devraient être concentrés sur la réception des commandes un vendredi et peut-être tôt le samedi matin également. Il s'agissait donc de niveaux de dotation en personnel beaucoup plus efficaces dans nos magasins. |
| |
Encore une fois, en gardant le thème de la couleur et, comme nous le savons, des analyses sophistiquées, comme vous le remarquez, nous y arriverons sous peu, |
| |
mais restez avec le thème de la couleur, et ce que vous regardez ici est la sortie où nous avons représenté graphiquement un grand lit de fromage. |
| |
Donc, quand je dis grand, il mesure probablement 25 mètres de long et probablement deux mètres de large. Donc, tout le caillé a été vidé du lactosérum à ce stade, puis ce lit de fromage est écrasé et coupé en 70 lanières. |
| |
Et puis les bandes sont coupées en cinq blocs et ce que nous avons fait, c'est que nous avons mesuré la hauteur des blocs à gauche, au milieu et à droite. |
| |
Donc, ce que nous essayons de faire, c'est d'obtenir une jauge de la hauteur du lit de fromage pour cette grosse et énorme tranche de fromage. |
| |
Et une fois que nous avons pu le faire, nous avons pu obtenir une très bonne image de ce qui se passe réellement et en utilisant la couleur comme guide, ainsi que la largeur dans notre lit de fromage. |
| |
Donc, clairement, le rouge signifie le plus haut, le vert signifie un peu plus bas et nous mesurons ici en millimètres, donc c'est 120 millimètres à 155 millimètres. |
| |
Clairement, vous pouvez voir ici qu'il y a un peu de pente lorsque vous passez du haut à gauche |
| |
côté, où les hauteurs sont plus élevées vers le côté gauche et vers le côté inférieur gauche également, là où le lit tombe en fait. |
| |
C'est donc très important pour nous parce que, du point de vue de la variabilité, ce que nous essayons de comprendre, c'est qu'il y a une différence ... pourquoi y a-t-il une différence dans les blocs ... |
| |
dans le poids des blocs allant à notre processus? Cela indique à peu près l'une des raisons. Et l'une des raisons est que si la hauteur des blocs va être différente, |
| |
alors la logique voudrait que le poids des blocs soit également différent si le fromage a été comprimé au même niveau ... par la même force. |
| |
Donc, encore une fois, il est plus facile pour les gens de comprendre cela en images, en particulier s'ils ne sont pas très familiarisés avec le côté analytique de l'entreprise. |
| |
Pour aller plus loin dans l'analyse, je suppose, écoutez, nous avons beaucoup utilisé le contrôle statistique des processus dans toute l'entreprise et pour, |
| |
vous savez, recherchez des opportunités et vérifiez les améliorations. Ici, nous regardons l'utilisation du dioxyde de carbone et nous utilisons du dioxyde de carbone en site dans nos produits et en particulier dans nos poudres, |
| |
lorsque nous ensachons des poudres pour prolonger la durée de conservation des produits, ce qui est une pratique courante dans l'industrie. |
| |
Donc, nous expulsons tout l'air et nous ajoutons du dioxyde de carbone lorsque nous remplissons les sacs et, mais vous pouvez le voir ici, puis nous scellons les sacs, mais vous pouvez voir ici, nous avons eu beaucoup de variations, notamment en 2017. |
| |
Et nous avons pu maîtriser ce processus, et nous avons pu nous assurer que d'ici 2018, la vie était très, très différente et |
| |
où notre utilisation moyenne de dioxyde de carbone est considérablement réduite. Nous avons encore des défis et peut-être même un modèle qui émerge ici aussi qui justifie une enquête, mais |
| |
il y a des retombées (?) sur les avantages de ce genre de chose aussi, parce que tant que ... en plus de maîtriser notre processus et que nous avons pu le démontrer statistiquement, nous sommes également en |
| |
des études pour évaluer efficacement le taux d'absorption du dioxyde de carbone dans nos poudres également. |
| |
Donc, et c'est vraiment important, car si nous pouvons comprendre comment notre produit absorbe le dioxyde de carbone, cela conduit à d'autres avantages, donc l'un étant |
| |
lorsque la graisse absorbe le dioxyde de carbone dans un sac, elle crée un vide à l'intérieur de ce sac scellé, donc quand elle crée un vide |
| |
le sac commence à se sceller autour de la poudre et cela rend le sac de poudre beaucoup plus rigide. |
| |
Alors maintenant, du point de vue de la chaîne d'approvisionnement, cela réduit les risques et facilite la vie lorsque nous pouvons empiler ces sacs sur des palettes pour le transport et l'expédition parce que. |
| |
maintenant, c'est comme si nous empilions des blocs de béton, plutôt que d'essayer d'empiler des oreillers doux et moelleux et flexibles. Donc, il y a gagner, gagner tout autour. Nous avons |
| |
utilisé et je ne suis certainement pas un codeur, mais nous avons certainement contacté et obtenu beaucoup d'aide du groupe d'utilisateurs irlandais |
| |
et à la communauté JMP ... Et en fait, vous savez quoi, je vais souligner en particulier Troy Hickey d'Intel, qui a été très utile en nous aidant du groupe des utilisateurs irlandais. |
| |
Au sein de la communauté JMP, c'est génial de tendre la main et de poser une question, dans un domaine où vous recherchez peut-être un peu de clarté |
| |
ou peut-être un domaine dont vous ne savez rien, et pour obtenir la réponse de personnes dont vous n'avez jamais entendu parler, des réponses d'experts aussi bien qu'excellentes. |
| |
Donc dans ce cas ici, nous avons pu créer du code en utilisant un peu de JSL et nous avons pu créer ceci et un tableau de contrôle |
| |
format, si vous le souhaitez, qui est au format à onglets. Donc dans ce cas, pour le lait écrémé en poudre, le lait entier en poudre, le lactosérum déminéralisé en poudre et la caséine pour mesurer les protéines |
| |
tests dans nos laboratoires. Nous avons actuellement environ 30 tests différents que nous surveillons et nous surveillons la différence qui existe entre les normes et la chimie humide |
| |
au quotidien, et aussi la différence qui existe entre les méthodes manuelles et les méthodes proche infrarouge, donc les méthodes automatisées. |
| |
Et nous voulons nous assurer, à titre d'exemple, disons que si nous examinons, vous savez, des normes sur la chimie humide, nous voulons viser un objectif de zéro. Nous ne voulons pas qu'il y ait de différence entre les résultats que nous testons dans un laboratoire et ce que |
| |
la norme dit qu'il devrait l'être. Nous voulons donc un objectif de zéro et cela nous montre que, dans ce cas, où |
| |
protéine, sur la poudre de lactosérum déminéralisé, nous sommes légèrement en retrait; nous sommes 0,04 et nous pouvons suivre le profil de notre processus et nous pouvons obtenir |
| |
le processus pour nous signaler qu'un changement de processus s'est produit. Donc neuf données ... au moins neuf points de données consécutifs au-dessus de la moyenne, dans ce cas. |
| |
Et nous savons, alors, arrêter le processus et ne plus continuer, car nous devons enquêter et mettre quelque chose en place pour rectifier ... rectifier le problème, le changement de processus dans ce cas. |
| |
Donc, cela a été extrêmement positif pour nous et nous sommes à un stade où nous avons cette configuration maintenant et elle fonctionne tous les jours, et malgré cela, |
| |
vous savez, des centaines et des centaines de centaines, des milliers, même à ce point de points de données, le script est configuré, de sorte qu'il n'affiche que les 42 derniers points de données, ce qui correspond à la dernière semaine de données à tout moment, même si le les limites de contrôle sont définies pour |
| |
sur la base des données précédentes du processus. Tellement vraiment bien tendre la main à la communauté JMP ici. Sur le plan de |
| |
les heures d'arrivée des camions dans l'entreprise, donc dans ce cas, nous avons 54 000 camions-citernes qui arrivent sur quatre sites différents, vous savez, de minuit à minuit. |
| |
Et c'est vraiment bien de nous donner une idée des différentes distributions qui existent, d'un délai de livraison sur les sites. Et c'est important pour nous, car nous ne voulons pas ... nous voulons qu'un camion-citerne arrive sur le site |
| |
et déchargez le lait et quittez le site le plus rapidement possible. Nous ne voulons pas avoir le cas où nous avons |
| |
beaucoup de regroupement et peut-être sur un site, vous pourriez avoir un scénario ici, où vous avez des camions alignés derrière d'autres camions. Nous voulons que ce soit un bon flux, tout au long du processus. |
| |
Et ici, vous pouvez voir à titre d'exemple, de huit heures du matin à neuf heures, |
| |
c'est là que, vous savez, les gens sont probablement allés déjeuner. Notre trafic est plus lourd et il n'y a pas autant de livraisons sur les sites, et même ici, le trafic est plus lourd le soir |
| |
et les camions sont retenus ou ils sont partis pour ... les chauffeurs sont partis dîner et ainsi de suite. Nous sommes donc en mesure d'approfondir un peu plus cette question et de dire d'accord pour chacun des différents sites, donc deux sites, dans ce cas Clonmel Road et Castlefarm, |
| |
pour les routes qui arrivent, et ces sites sont vraiment proches les uns des autres, pour les routes qui arrivent en direction nord, sud, est et ouest, |
| |
à quoi cela ressemble-t-il et avons-nous une répartition claire entre les données que nous voulons ou |
| |
y a-t-il des transporteurs qui ne livrent pas pendant les 24 heures de l'est, par exemple. Et nous pouvons comprendre ce qui se passe, et nous pouvons également prendre cette information, |
| |
et disons, d'accord à partir d'un taux de déchargement de la pompe, car nous avons dans ce cas, deux sites qui ont 11 pompes qui déchargent |
| |
plus d'un demi-milliard de litres sur deux sites par an. |
| |
Et nous voulons essayer de comprendre quelles pompes sont plus ou moins efficaces que d'autres. Et, clairement, nous pouvons voir ici qu'il y a quatre pompes qui ont un taux de déchargement plus élevé, |
| |
ils sont donc capables de pomper plus rapidement et plus de lait dans le même laps de temps, alors peut-être certaines des autres pompes. Et vous pouvez voir ici que |
| |
sur le site 2, la pompe numéro trois est la pompe la plus efficace, tandis que dans l'ensemble, la pompe 4 et la pompe 3 sont les pompes les moins efficaces. Donc, si nous devions avoir une révision de maintenance, nous saurions que ce sont les pompes qui doivent être révisées en premier. |
| |
Nous utilisons JMP pour évaluer les systèmes de mesure à la fois pour l'excellence et les opportunités, et nous le faisons, vous savez, |
| |
tant de fois, je ne peux même plus suivre. Dans ce cas, en regardant les orthophosphates (?), Et vous savez, c'est une jauge R&R standard et c'est vraiment bon, les résultats. Donc là |
| |
19 nombre de catégories distinctes; 19 est excellent et la jauge R&R est de 0,5, donc moins de 10 est idéal et cela signifie simplement que vous savez que nous avons vraiment bien |
| |
systèmes de mesure en place qui sont toujours fiables. Et quelle que soit la partie que vous allez confier à un analyste, il reviendra et vous donnera le même résultat. |
| |
Ainsi, la personne qui effectue le test n'influence pas les résultats des tests, ce que vous voulez toujours voir. |
| |
Parfois, nous pouvons avoir des systèmes de mesure subjectifs et nous devons également faire une analyse d'accord d'attributs. |
| |
Donc, dans ce cas, nous regardons que vous connaissez des évaluations visuelles des produits emballés, et vous pouvez rechercher quelque chose comme la rondeur ou les bords endommagés ou le gaufrage. |
| |
lisibilité et ainsi de suite. Ainsi, une fois les améliorations apportées, vous pouvez voir ici que nous avons, vous savez, un accord de 90 à 95% au sein des évaluateurs. |
| |
Dans l'ensemble, vous pouvez voir, le niveau d'accord est de 82% en termes de nombre de pièces appariées et convenues par |
| |
à l'intérieur de chacun ... à l'intérieur et entre chaque opérateur, mais ce qui est probablement plus important, est l'efficacité, qui est l'alignement sur la norme. |
| |
Et nous pouvons voir ici par la suite que l'accord avec la norme est maintenant de 96%, donc c'est vraiment bien. Et encore une fois, vous savez que nous pouvons nous assurer que nos produits sont classés de manière fiable même lorsqu'ils sont subjectifs. |
| |
Nous pouvons évidemment aussi concevoir des expériences pour quantifier l'effet de divers facteurs. Donc, dans ce cas, nous examinons WPNI, qui est l'indice d'azote des protéines de lactosérum, il s'agit donc d'un niveau de mesure de. |
| |
dénaturation des protéines dans notre produit, c'est donc une indication du niveau de traitement thermique que le produit a obtenu, et cela peut être, |
| |
excusez-moi, cela peut être très important car le niveau de traitement thermique peut affecter l'application à partir de |
| |
du point de vue du client. Donc, si, disons, le mauvais niveau de traitement thermique a été appliqué, cela peut signifier qu'un client qui pourrait vouloir utiliser notre produit pour en faire, peut-être, du yaourt, |
| |
alors le produit ne conviendrait pas car il pourrait laisser peut-être une sensation granuleuse, une sensation en bouche granuleuse, peut-être ou quelque chose du genre, ce qui ne convient donc pas à un produit comme le yogourt. |
| |
Nous avions donc des problèmes avec les résultats de l'indice d'azote des protéines de lactosérum incohérents, et il y avait une certaine ambiguïté remarquée dans notre procédure, |
| |
en ce qu'elle était sujette à interprétation. Alors ça pourrait dire, tu sais secouer quelque chose, |
| |
secoue ce flacon, tu sais, ça pourrait juste dire secoue-le, et quelqu'un pourrait dire, oui, je le secoue pendant cinq secondes, quelqu'un d'autre pourrait dire, je viens de me retourner 10 fois, et quelqu'un d'autre dirait, oui, je secoue vigoureusement pendant 30 secondes. |
| |
Donc, tout le monde, avec les meilleures intentions du monde, suivait la procédure, mais si la procédure est ambiguë, alors elle est sujette à interprétation et cela peut aussi conduire à des incohérences. |
| |
Nous essayons donc de concevoir des essais pour comprendre les facteurs qui peuvent influencer la variation de notre processus. |
| |
Nous vous présentons donc ici une solution de chlorure de sodium, donc juste une solution d'eau salée, composée d'une barre de départ et sans barre de départ. |
| |
La durée sur un endroit chaud est de 45 ou 60 minutes, puis en utilisant cette solution ici pendant, et ce petit plan de test ici, nous étions ... la température du bain-marie est de 37 et 40 degrés, c'est l'une des quatre solutions ici code couleur. |
| |
Et puis nous avons des intervalles d'agitation au bain-marie et le nombre de gouttes d'acide chlorhydrique, je pense, est également utilisé. |
| |
Et encore une fois, nous sommes en mesure d'utiliser l'explorateur interactif pour voir quand nous avons de faibles résultats WPNI, ce qui se passe avec le processus. Un peu |
| |
il est plus difficile de comprendre ce qui se passe ici, il faut donc évidemment aller un peu plus loin et commencer à construire des modèles et à comprendre ce qui se passe. |
| |
Les modèles sont assez bons ici en termes de forces dont nous parlons, R au carré est juste à environ 68%. |
| |
Et nous pouvons voir que tout de suite, les principaux effets ici, le plus grand effet principal est la température du bain-marie, suivie ensuite de la durée de la barre d'agitation et de l'effet d'interaction de la plaque chauffante. |
| |
Et nous pouvons également voir l'effet, quel paramètre tire ... quel effet tire |
| |
le processus dans quelle direction également. Et nous avons également le précieux profileur de prédiction ici en bas. Nous pouvons explorer ce qui se passe. |
| |
Ce que j'aime, en plus du fait que vous pouvez utiliser la sortie, parfois, eh bien, j'utilise parfois la sortie de certaines de ces expériences pour ... d'un point de vue éducatif. |
| |
J'ai donc parlé plus tôt, vous savez, de la barre d'agitation et de la durée sur la plaque chauffante étant un facteur important, et c'est un effet d'interaction, c'est donc à ce moment que l'effet d'un facteur dépend du réglage de niveau d'un autre. |
| |
Mais vous pouvez, vous savez, vous pouvez essayer d'expliquer à quelqu'un sur une page l'effet d'interaction; nous avons des lignes croisées et une ligne croisée signifie qu'il y a |
| |
interaction forte, et si les lignes sont parallèles, mais elles semblent vouloir se croiser, c'est une petite interaction. Ou vous pouvez réellement prendre les données et les tracer, |
| |
et dans ce cas, beaucoup de gens n'ont pas vraiment vu à quoi ressemble, vous savez, une interaction avec deux facteurs, et voici à quoi ressemble une interaction ... une interaction et elle peut être utilisée comme ... |
| |
comme outil pédagogique également. Donc, dans notre cas ici, nous avons le résultat WPNI ici sur notre axe y, désolé, ouais, sur notre axe y, |
| |
durée sur plaque chauffante a 45 minutes et 60 minutes, donc si nous nous en tenons à 45 minutes, où nous n'avons pas de barre d'agitation et si nous changeons ... nous restons avec 45 minutes et nous sommes passés à une barre d'agitation, nous pouvons voir que nous avons sauté de ce niveau à ce niveau. |
| |
Alors que lorsque nous allons avec 60 minutes, nous sommes ... Le niveau WPNI est là, sans barre d'agitation et nous sautons à une barre d'agitation, nous pouvons le voir sauter. Alors |
| |
le saut n'est pas autant ici qu'ici, mais tout de suite, cela montre que l'interaction affectant la barre d'agitation et la durée sur la plaque chauffante est assez grande. |
| |
Et c'est ce que cela se passe comme, encore une fois, beaucoup de connaissances et de compréhension des processus. Nous pouvons également utiliser certains outils de classification, donc dans ce cas, des arbres de décision pour essayer de comprendre. |
| |
Il s'agit donc d'une requête de la R&D concernant le brunissage du fromage et, comme cela en a l'air aussi, c'est lié au brunissement du fromage. |
| |
dans un four lorsque la chaleur est appliquée si peu, comme sur les pizzas. Nous ne voulons donc pas que le fromage brûle trop tôt, donc s'il s'agit de fromage cheddar sur une pizza, vous ne voulez pas qu'il brûle trop tôt. |
| |
Vous voulez qu'il ait un peu de vie et que la recette soit cuisinée. Encore une fois, et voici un exemple de classification, désolé, un arbre de décision, où nous examinons |
| |
trois niveaux différents, si vous le souhaitez, brunissement clair, moyen et foncé représenté par l'arbre, la couleur est verte, |
| |
ambre et rouge, respectivement. Et nous pouvons voir que le pH à la course est ici le facteur le plus important, en particulier, si le pH à la course est supérieur à 6,48, |
| |
alors nous pouvons voir que 99,3% de notre processus va avoir, vous savez, un brunissement clair, ce que nous voulons. Le vert est bon, le rouge est mauvais. De même, nous savons que nous sommes à risque si notre pH est inférieur à 6,48 et nous avons ... |
| |
et nous prenons nos échantillons, donc le fromage dans notre bloc, dans notre bloc littéralement de 20 kg, est pris dans un coin, alors nous savons que nous avons 31% de chances d'obtenir |
| |
brunissement foncé, donc ça ne va pas être bon. Donc, de ce point de vue, et nous pouvons voir que la taille du |
| |
les nombres qui sont le nombre d'objets causent cela aussi, et en termes de terminaison des nœuds feuilles sur l'arbre également. Ainsi vous pouvez obtenir |
| |
une bonne idée de ce qui se passe dans votre processus, en termes de facteurs importants qui séparent le mieux, dans ce cas, la classification du brunissement. |
| |
Et je dis ici une forêt bootstrap secrète, car vous savez que je pense que c'est un outil sous-utilisé dans JMP et le ... si vous comprenez ce que fait un arbre de décision et comment il fonctionne, vous comprendrez que c'est un outil assez puissant. |
| |
Et je ne suis pas sûr, si je suis honnête, je ne sais pas si l'algorithme utilisé pour les arbres de décision, s'il s'agit d'un dichotomiseur itératif ou |
| |
C 4.5 ou 5.0 ou quoi que ce soit d'autre, mais ce que je sais, c'est que le filtrage des prédicteurs utilise l'algorithme d'arbre de décision en arrière-plan et utilise la forêt bootstrap, qui est |
| |
échantillonnage avec remplacement également, pour créer un tas de ces arbres et les coller tous ensemble, puis vous donner les résultats moyens, si vous le souhaitez, des arbres. Donc, dans ce cas, en soulignant cela, et cela vient du |
| |
exemple de tracé parallèle plus tôt pour les 30 paramètres machine différents, dans ce cas, vous remarquez qu'il y en a en fait 31, |
| |
parce que quand je suis retourné dans l'équipe, et j'ai dit qu'il y avait quelque chose de différent dans cette pression d'air de la buse et que cela semble être un facteur important et le dépistage des prédicteurs me le dit. |
| |
Une main s'est levée au fond de la pièce et ils ont dit en fait, |
| |
de tous les paramètres, ce n'est probablement pas celui qui aurait dû être là parce que ce n'est pas vraiment un paramètre machine, nous l'avons juste coincé en nous-mêmes pour voir si quelque chose allait sauter. |
| |
Et bien sûr, c'est celui qui a sauté de la page, il a donc dû être retiré et évalué séparément. |
| |
En termes de, et j'y suis presque aussi, en termes de présentation, donc en termes de |
| |
en utilisant des modèles pour prédire les performances futures, c'est là que nous passons des insights à la prospective. |
| |
Et c'est ici que nous avons créé un modèle assez solide avec une efficacité de modèle de 76%, sur la base de 1 438 observations. |
| |
La question était de savoir si nous pouvions créer un outil pour nous aider à prédire à la fois le nombre de commandes qui entrent dans l'entreprise n'importe quel jour de la semaine, n'importe quelle semaine de l'année et |
| |
prédire également le nombre de commandes que nous recevrions ... désolé, prédire également les quantités de commande que nous recevrons le même jour? |
| |
Nous avons donc pu prendre toutes les données historiques et utiliser le profileur de prédiction pour sélectionner quelle année du point de vue de la saisonnalité est la plus commune à ce que vous essayez de prédire. |
| |
Ensuite, allez au mois applicable, quelle que soit la date que vous voulez, et le jour de la semaine, puis déterminez s'il s'agit d'un jour férié ou non. |
| |
Et vous pouvez voir ici, j'ai deux paramètres différents configurés ici. L'un est pour quand nous avons un jour férié, l'autre quand nous ne le faisons pas, et vous pouvez voir qu'il y a un |
| |
effet d'interaction ici aussi entre le jour férié et le jour de la semaine. Pour que nous puissions revenir aux affaires dites sur |
| |
quel que soit le jour de la semaine, le 26 octobre 2019, qui est un jeudi et non un week-end férié, vous vous attendez à ce que 120 commandes arrivent et cela équivaudra également à un peu moins de 1100 tonnes de produit. . |
| |
Nous avons donc organisé cela pendant deux week-ends, un week-end où nous avions un jour férié et pas de jour férié, et c'était en fait 85%, ce qui est vraiment bien. Donc, même si le modèle était de 76%, il s'est avéré assez bon en réalité. |
| |
Puis de la perspicacité à la prévoyance, là où nous cherchons à nouveau ... en essayant de rendre compte de la fiabilité de la saison, |
| |
nous avons différentes années ici, représentées par des couleurs différentes, donc 2015, 16, 17, 18 et ainsi de suite. Et nous examinons un certain nombre ... certaines des commandes de quantités d'aliments entrant dans |
| |
les affaires. Chaque point représente une quantité de commande hebdomadaire et ce que j'ai exagéré ici, c'est que j'ai superposé le modèle prévu réel, de sorte que la valeur qui a été prédite |
| |
chacune de ces semaines. Et vous pouvez voir comment le modèle est en termes de précision par rapport au réel, donc réel par rapport aux prévisions. |
| |
Et puis pouvoir utiliser, et si je suis honnête je ne me souviens pas ... c'était soit des prévisions exponentielles saisonnières, soit notre ARIMA saisonnier, |
| |
saisonnier ??? moyenne mobile métrique pour déterminer les six prochains mois, à quoi cela ressemblera. |
| |
Et encore une fois extrêmement précieux pour notre entreprise où la saisonnalité est un défi, et nous pouvons utiliser ces outils, avec un degré élevé de confiance pour comprendre à quel niveau de commande nous pouvons nous attendre dans l'entreprise à l'avenir. |
| |
Et enfin, et je suppose un peu, pour nous, parce que nous ne sommes pas allés dans la zone avant, mais des réseaux de neurones. Donc, en utilisant les réseaux de neurones, dans ce cas, comme un essai pour comprendre si nous pouvons classer les sédiments dans notre processus. Donc, si nous avons des résultats ADPI, alors c'est |
| |
un coussin de sédiments et nous examinons une quantité de particules éventuellement brûlées, peut-être d'un processus de séchage ou ainsi de suite, et où en sommes-nous? Est-ce un niveau A, B, C ou D? |
| |
Ici, le résultat du tamis représente le nombre de particules laissées dans un tamis et un résultat de tambour T1B1 représente le haut et le bas. |
| |
T1 représente le nombre de particules qui pourraient flotter au-dessus de l'eau et B pourrait représenter le nombre de particules au fond, donc les sédiments qui ont coulé vers le bas. |
| |
Et encore une fois en l'utilisant dans le réseau de neurones ici et avec la validation croisée du pli K, donc je pense que K a été fixé à 10. Nous avons neuf |
| |
l'activation fonctionne ici aussi, je pense. Ouais hyperbolique ... linéaire, gaussien, et je pense, tangente hyperbolique aussi. |
| |
Et nous pouvons utiliser chacun de ces |
| |
des nœuds d'entrée également pour alimenter notre fonction d'activation, puis nous avons également notre couche de sortie ici, ce qui nous a donné le résultat final. Nous pouvons donc utiliser, |
| |
dans ce cas, 6245 résultats à |
| |
Entraînez notre modèle et ensuite, une fois que nous avons validé l'utilisation de la validation croisée, nous pouvons créer notre matrice de confusion ici, ce qui est également très bien. Je veux dire que nous n'avons pas autant de valeurs dans l'A1 / A2 |
| |
jusqu'aux notes B, comme nous le faisons pour A1, mais cela nous montre en quelque sorte que, vous savez, si nous avons une note A2 |
| |
que nous avons prédit que 35 d'entre eux seraient un vrai deux et seulement deux seraient A1. il peut donc y avoir une erreur et l'erreur peut provenir de la façon dont le modèle était, |
| |
vous savez, initialement créé par des évaluateurs qui essayaient manuellement d'évaluer la différence qui existe dans chacun d'eux si et quand |
| |
une certaine ambiguïté surgit dans les résultats et ensuite essayer de faire un appel final. Donc, je suppose que la question ici est la suivante: pouvons-nous obtenir une machine pour prédire ce que sera cet appel final avec un bon degré de précision? |
| |
Et encore une fois, nous nous attendrions à ce que la probabilité d'obtenir une note attribuée à A1 ici, nous nous attendions à ce qu'elle soit assez élevée si le résultat du gobelet était T1B1, presque pas de flotteurs ou de plombs |
| |
et si les résultats du tamis étaient également assez faibles, en termes de quantité de particules, nous nous attendrions donc à avoir nos résultats ici pour A1. |
| |
Le fait que nous voyons A1 ici pourrait indiquer que la formation du modèle n'a pas été aussi efficace qu'elle aurait pu l'être et qu'il peut y avoir eu des erreurs dans le modèle. |
| |
Et encore une fois, vous pouvez voir qu'un modèle très ... assez complexe qui a été créé ici |
| |
pour cela, mais vous savez que c'est un peu une boîte noire, comme je pense que nous le savons tous du point de vue du réseau neuronal. Mais encore une fois, une énorme quantité de connaissances sur les processus et de preuves de concept pour nous, je suppose, au moment où nous commençons à nous diriger vers tout l'espace d'apprentissage automatique et l'IA. |
| |
Donc, je sais que j'ai tiré beaucoup sur les gens, et c'était assez précipité, et je pourrais probablement parler pendant des heures de tout cela et des excuses ... excuses si cela se sentait précipité, mais ce que je dirais est juste une réflexion finale perspective, |
| |
Je pense qu'il a été démontré que, quel que soit le secteur dans lequel vous vous trouvez, même s'il y en a dans le secteur agricole, qui est très éloigné de l'environnement typique d'analyse de données, dans n'importe quel secteur, vous pouvez utiliser |
| |
l'analyse des données pour ajouter une valeur significative à l'entreprise, et vous pouvez atteindre et aider presque toutes les parties de l'entreprise. |
| |
De plus, je dirais de ne pas sous-estimer la valeur d'une simple analyse graphique. Ce n'est qu'à mi-chemin de cette présentation que nous avons commencé à présenter certaines des analyses les plus puissantes intégrées dans JMP et |
| |
Je pense que c'est formidable de savoir comment utiliser tous les outils sophistiqués et il y a un moment et un lieu pour cela, mais, vous savez, simple peut être très puissant aussi, et ne sous-estimez pas la valeur de celui-ci. |
| |
À part cela, je voudrais vous remercier tous d'avoir écouté. Je l'apprécie vraiment et si vous avez des questions ou des commentaires, ils sont plus que bienvenus maintenant. Merci. |
