Conférencier
|
Transcription
|
| Kieran O'Mahony |
D'accord, alors 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 Milking the Data at Dairygold from Bar Charts to Neural Networks. |
| |
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 analyse se retrouvent 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 l'ensemble de l'entreprise. |
| |
Donc, cette session va probablement être différente des autres sessions que vous pourriez voir à Discovery, dans le sens où 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 l'ensemble de l'entreprise, et pas seulement dans 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. |
| |
So Dairygold est la principale coopérative irlandaise détenue par des agriculteurs avec des installations de fabrication de fromage et de poudre nutritionnelle à la pointe de la technologie situées au cœur des Golden Valleys. |
| |
D'accord, juste pour expliquer cela, 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 dans le sens où les fournisseurs de matières premières sont également propriétaires de l'entreprise. |
| |
Donc, l'année dernière, le chiffre d'affaires 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 beaucoup de lait qui nous parvient quotidiennement. En fait, |
| |
au pic, parce que nous avons une activité saisonnière, au pic de production, nous parlons de plus de 6 millions de litres de lait qui arrivent quotidiennement sur les sites. |
| |
Nous avons également des magasins de vente au détail, où vous pouvez acheter n'importe quoi, du marteau à l'électroménager, en passant par l'équipement agricole et tout le reste. Et nous avons aussi le côté agricole de l'entreprise, où nous produisons des aliments pour animaux dans nos usines. |
| |
Dairygold existe donc 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 avons probablement parcouru… enfin pas probablement… il est juste de dire que nous avons parcouru un très long chemin depuis la livraison du lait à cheval et en calèche, il y a toutes ces années. |
| |
C'est une organisation très traditionnelle 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 du lait auprès 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 |
| |
via un tuyau vers un site différent. Nous l'avons donc collecté dans des camions-citernes également et nous l'avons transporté vers d'autres sites. |
| |
Et nous faisons la même chose 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 que 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. |
| |
Donc, au cours des cinq ou six dernières années, Dairygold a investi plus de 400 millions dans les usines, donc c'est s'assurer... de s'assurer que nous avons... |
| |
nous pouvons répondre aux besoins de la future expansion du volume du pool laitier(?). En termes de produits que nous fabriquons, nous fabriquons |
| |
poudres et fromages, 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 ayez... si vous avez mangé du tout aujourd'hui, il est très probable que vous ayez également consommé du lait écrémé en poudre ou du lait entier en poudre parce que c'est tellement répandu, de nos jours, dans tant d'ingrédients alimentaires. |
| |
Voilà donc le contexte de l'entreprise. En termes de données, je pense qu'il est juste de dire qu'il y a beaucoup d'entreprises qui sont considérées comme très riches en données mais pauvres en informations. |
| |
Et il est également juste de dire que plus vous avez de données, parfois ce qui peut aller avec cela crée également 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 ce qu'est 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, d'hypothèses, d'intuition, de conjectures et d'intuition, |
| |
et se déplaçant davantage vers le côté gauche du cerveau, où il est davantage axé sur l'utilisation de la logique, 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 basée sur les données dans l'ensemble de l'entreprise. |
| |
Une fois, avant une présentation, on m'a demandé 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 là que 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 en une seule image quelle est notre stratégie de données réelle et c'est très simple. |
| |
Nous voulons donc prendre des données qui existent dans l'entreprise et utiliser des analyses pour les transformer en informations utiles. |
| |
Et à partir de ces informations, nous obtenons des réponses aux questions clés que nous avions, et parfois non seulement nous obtenons des réponses aux questions que nous avions, 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 revoir 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 fondées sur des données et de nous donner le droit... envoyez-nous nous envoyer dans la bonne direction. |
| |
Et si nous comprenons suffisamment bien notre processus, si nous avons suffisamment d'informations, nous devrions pouvoir utiliser ces données pour pouvoir |
| |
comprendre ce qui pourrait potentiellement arriver dans le futur, avec un haut degré de précision. Donc, une bonne perspicacité devrait nous permettre d'avoir une bonne prévoyance également, où nous pouvons prédire ce qui va se passer. |
| |
Donc, comme je l'ai dit au début, le but de cette présentation est de donner un certain nombre d'exemples des différentes façons dont les données ont été utilisées à travers Dairygold. |
| |
Nous sommes, je dirais, vous savez, longs sur le chemin d'un point de vue intérieur, 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 s'appelle des diagrammes à barres aux réseaux de neurones. |
| |
Et je pense qu'il est vraiment important de souligner que vous pouvez extraire beaucoup de valeur à partir d'analyses très simples. Donc, le tout premier exemple que je veux partager ici est, ce ne sont que des graphiques à barres. |
| |
Mais parfois, je pense que les gens peuvent accéder à des présentations et avoir un graphique à barres couvrant plusieurs pages et avec JMP, il est si facile de mettre toutes les informations sur une seule |
| |
voir. 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 de toutes les étapes d'un processus de nettoyage à l'acide nitrique. |
| |
Et vous pouvez voir le niveau d'acide nitrique qui a été utilisé à chacune des étapes. La prochaine étape que nous examinons... en examinant le nombre d'utilisations, donc le nombre de fois que cette étape a été répétée. |
| |
Et ici, nous examinons l'utilisation moyenne de l'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, parce que ce que nous essayons de faire ici est de comprendre |
| |
et réduire la quantité d'acide nitrique qui a été utilisée sur une base quotidienne, hebdomadaire, mensuelle, 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 mettre en évidence ici, je suppose, et encore une fois, ce ne sont que de simples graphiques à barres, mais cela nous a donné une énorme direction |
| |
dans l'entreprise et nous a renvoyés ... désolé, j'ai évité de nous envoyer sur une tangente parce que lorsque nous avons examiné toutes ces données, nous pouvons voir que |
| |
trois domaines différents 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 pendant ces étapes de rinçage, ce qui n'est pas possible car les étapes de rinçage impliquent uniquement de l'eau. |
| |
Donc, un peu plus de recherches ont 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, nous ne le faisions pas. Nous étions mal informés. Donc |
| |
nous aurions vraiment pu creuser profondément et comprendre notre processus et ce qui le conduisait, mais des graphiques à barres très simples centrent souvent une bonne direction et nous avons pu 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 ça montre... ça montre quatre dimensions différentes de temps d'arrêt sur une seule page, vraiment simple et très conviviale et intuitive à utiliser et à lire, je pense aussi. |
| |
Donc, ce que nous avons ici, c'est le temps d'arrêt surveillé dans une fromagerie par mois. Donc, vous regardez ici les minutes d'indisponibilité sur l'axe Y |
| |
pour chacune des six zones différentes à l'intérieur de la fromagerie, pour chacun des six mois avril, mai, juin, juillet, et ainsi de suite jusqu'en septembre dans l'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 inventées parce que le nombre de minutes est si faible, mais c'est vraiment important d'un |
| |
perspective de fabrication de 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 minutes par mois. |
| |
Si le processus s'arrête, alors le pH du produit change et cela peut influencer négativement |
| |
le prix de vente final et la qualité du produit également, il est donc important de ne pas s'arrêter. |
| |
Et donc, c'est le niveau auquel nous sommes du point de vue de la maintenance. Nous n'avons plus que quelques minutes et clairement ce que nous pouvons 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 équipes C et D. |
| |
avec plus de problèmes ici pour C sur Blockmaster. Dans cette zone de convoyeurs, encore C sautent à nouveau, et encore pour les goussets C et D. |
| |
Et peut-être plus de problèmes avec C et D ici. Donc, ce que nous pouvons extraire de cette analyse, c'est que les quarts C et D ont un peu de mal du point de vue de la maintenance et qu'ils avaient besoin d'un peu plus de soutien. |
| |
Nous aimons particulièrement le lien dynamique |
| |
élément de JMP ainsi que pour l'exploration de données. Et, dans ce cas, je dois souligner que nous avons beaucoup de laboratoires au sein de l'entreprise, donc nous avons de la microbiologie, de la chimie, ??? laboratoires, |
| |
et nous testons le lait, le fromage et l'eau, ainsi que les produits en cours de fabrication et finis, et nous testons un grand nombre d'éléments de l'entreprise. |
| |
Et cette fonction de lien interactif qui était, comme vous pouvez le voir ici, transformée en 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 mets en évidence le bloc... désolé, je montre des tubes bloqués et un CIP d'évaporateur et une 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 se sont produites en août. |
| |
Cela a affecté ces étapes de traitement ici et le micro-organisme, en particulier, qui a été le plus observé dans ces processus était le streptocoque. |
| |
Donc, la valeur ici est que lorsque nous continuons à ajouter des problèmes à ce référentiel d'un point de vue factoriel, nous pourrons alors |
| |
regarder vers l'avenir pour voir les risques pour l'entreprise quand quelque chose se produit, donc nous savons que la prochaine fois que nous aurons une coupure de courant, nous devrons peut-être augmenter le nombre de tests à ce stade ou processus car il y a un risque plus élevé d'apparition d'angine streptococcique. |
| |
Parfois, vous arrivez au point où vous avez tellement de barres que vous devez ajouter, vous connaissez la saisonnalité et plus lisse |
| |
lignes ainsi pour ajouter plus de visibilité. C'est un défi que nous avons dans l'entreprise, que j'aborderai plus tard, c'est l'élément saisonnier de l'entreprise. |
| |
Et nous le sommes beaucoup, parce que les vaches mangent l'herbe et que l'herbe est utilisée, puis évidemment pour faire le lait, en fin de compte, et parce qu'en Irlande, la météo est si peu fiable. |
| |
Il peut pleuvoir un jour et neiger le lendemain et du soleil le lendemain, donc du point de vue de la saisonnalité, où chacune des couleurs des barres ici est utilisée pour représenter une année différente, donc 2015, 16, 17, 18. |
| |
Et ce ne sont que les week-ends aussi, devrais-je ajouter, et cela 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 sens 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 canicule, avec une interdiction des tuyaux d'arrosage. |
| |
Il est donc très, très difficile d'utiliser des données de saisonnalité 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... dans la perspective de la tendance, nous utilisons également JMP pour l'exploration non axée sur les projets. Voici donc un exemple de 2 800 fournisseurs de lait en moyenne par mois de |
| |
les résultats de protéines et de matières grasses entrant 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 de nos fournisseurs et entre nos fournisseurs. Et ce qui est utile, c'est qu'on peut zoner, et on peut dire notamment pour ce mec, par exemple, pourquoi est-ce que ce mec est si défoncé ? |
| |
Et il est constamment riche en matières grasses et en 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 l'objet d'un peu de soutien et d'aide de la part de nos conseillers en lait, car ils sont constamment incapables d'obtenir leur taux de protéines et de matières grasses dans leur lait |
| |
haut. Ces éléments 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 traire une seule fois par jour. |
| |
Donc, cela signifie que ses niveaux de matières grasses 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 tellement d'informations sur une seule page, en même temps, pour tant de paramètres différents. |
| |
C'est un problème qui se produit en ce moment, donc c'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 séchoirs à lit fluidisé et les cyclones, |
| |
ce qui signifie essentiellement que la poudre bloque les séchoirs et les cyclones. Et nous appelons ces étranglements, OK, donc l'équipement est étouffé et nous devons arrêter l'équipement et les nettoyer. |
| |
Donc, ce que nous examinons réellement 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 de temps pour les réglages de chacun de ces 30 paramètres. Le rouge indique le |
| |
minutes qui se trouvent dans l'heure de pré-étranglement, donc ce sont, ce sont les réglages de niveau, si vous voulez, pour 60 |
| |
occurrences... 60 minutes avant qu'un étranglement ne se produise, et ce groupe rouge représente ici neuf occurrences d'étranglement différentes. |
| |
D'accord, il y a donc tout ce qui n'est pas à 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 à des scénarios de production normaux 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, et j'ai... l'absence d'étranglement 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. Donc, à titre d'exemple, une question qui est explorée en ce moment est, |
| |
vous savez, nous semblons avoir des niveaux inférieurs de quoi que ce soit... 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 d'exploitation |
| |
les paramètres lorsque tout va bien pour la pression différentielle sont également élevés ici. Donc encore une fois, juste un exemple. |
| |
En utilisant les données GPS pour visualiser les schémas et les tendances de la localisation des fournisseurs, nous examinons 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 un emplacement de fournisseur au sein de l'entreprise. |
| |
Et la taille du point représente le volume de lait que le fournisseur fournit à Dairygold, donc vous savez, plus le point est gros, 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 soient 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 s'en sortent très bien, et en rouge ce 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 là que nous pouvons utiliser nos propres données pour peut-être contacter et voir s'il y a des fournisseurs qui pourraient avoir besoin du soutien de nos conseillers en lait et nous pouvons également les aider, ce qui est très utile. |
| |
En nous en tenant à l'élément géographique, nous avons également pu mettre au lit certains mythes séculaires. Ce sont donc les |
| |
discussions qui pourraient avoir lieu au refroidisseur d'eau où, quelqu'un dirait que cette chose, NPN, est définitivement affectée géographiquement. |
| |
NPN est une chose assez difficile à expliquer, donc je vais utiliser l'analogie ici d'une pinte, une pinte de bière si vous voulez. C'est plutôt un verre, je pense, vraiment. |
| |
Et donc, comme tout le monde le sait, le lait contient des protéines, des matières grasses, 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 la protéine que nous obtenons dans le lait des fermiers. |
| |
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, 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. |
| |
Ainsi, selon le processus, il se peut que si nous avons des niveaux plus élevés ou plus faibles de NPN, d'azote non protéique, à un moment donné de l'année, |
| |
alors il peut être préférable de diriger ce produit vers un site particulier |
| |
maintenant sur un autre site, donc nous pouvons peut-être être stratégiques. Et la question a toujours été, vous savez, je parie qu'à un moment particulier de l'année, la situation géographique aura un impact sur les niveaux d'azote non protéique à travers |
| |
les lieux 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 moyennes et la différence de moyennes qui existent d'un mois à l'autre, mais aussi les moyennes qui diffèrent d'une perspective de couleur d'une région à l'autre. |
| |
Les diagrammes en boîte représentent ici la quantité de variation qui existe à l'intérieur et entre, encore une fois, chacune des régions, si clairement que vous pouvez voir que les moyennes suivent |
| |
s'entendent bien les uns avec les autres pour chaque région et aussi chaque fois que la quantité de variation diminue, |
| |
disons en juillet ici, il semble diminuer dans toutes les régions, sauf peut-être 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. |
| |
Alors on ne peut plus... on n'a plus besoin de parler du potentiel de ceci et de l'autre. Nous sommes également en mesure de prouver et de réfuter des théories très rapidement grâce à nos données. |
| |
Tous les cinq ans, nous envoyons le recensement médian (?) 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 d'un point de vue commercial et d'un point de vue d'investissement, également, de la part de nos membres. |
| |
Ainsi, 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 avaient neuf options, donc dans ce cas, facteur un à neuf. On leur a donc demandé de classer par ordre de plus ou de moins d'importance, donc de un à neuf, les facteurs qui leur étaient présentés. Donc, comme vous pouvez l'imaginer, vous récupérez 2 800 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 leur top trois, d'autres peut-être leur top cinq ou sept ou autre. |
| |
La question est donc de savoir comment représenter au mieux toutes ces données, ces 25 000 points de données dans une 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 tracé 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. Cela est suivi par le facteur 5, où 19 % ont voté comme numéro un le plus important et 23 % ont voté |
| |
comme numéro deux. Vous pouvez voir à nouveau les facteurs qui sont les plus importants pour les agriculteurs en allant de gauche à droite. |
| |
La couleur est donc vraiment importante ici et je suis 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 des applications et ... ou |
| |
ils peuvent sonner dans l'ordre. Mais vous pouvez voir ici clairement les vendredis, vous savez, quand le premier |
| |
la traite des vaches a lieu, certains agriculteurs sortent et, à cinq heures du matin, ils disent 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 heures les plus chargées du week-end pour recevoir des 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 du week-end, il est donc inutile d'avoir le même nombre de personnes un dimanche que le vendredi. Peut-être plus |
| |
Ttme devrait être consacré à la concentration... et plus d'effectifs devraient se concentrer sur l'obtention de commandes le vendredi et peut-être aussi tôt le samedi matin. Il y avait donc des niveaux de dotation beaucoup plus efficaces dans nos magasins. |
| |
Encore une fois, en gardant le thème de la couleur et, comme nous le savons, des analyses sophistiquées, mais comme vous le remarquerez, nous y arriverons bientôt, |
| |
mais restez sur le thème de la couleur, et ce que vous voyez ici est la sortie où nous avons représenté graphiquement un grand lit de fromage. |
| |
Donc, quand je dis grand, c'est 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 tranché en 70 lanières. |
| |
Et puis les bandes sont coupées en cinq blocs, puis ce que nous avons fait, c'est que nous avons mesuré la hauteur des blocs sur la gauche, au milieu et sur le côté droit. |
| |
Donc, ce que nous essayons de faire, c'est d'obtenir une jauge sur la hauteur du lit de fromage pour cette 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 utiliser la couleur comme guide, ainsi que la largeur de 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 quand vous partez du haut à gauche |
| |
côté, où les hauteurs sont plus élevées vers le côté gauche et vers le côté inférieur gauche également, où le lit est en train de tomber. |
| |
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 à la même... 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 connaissent pas très bien le côté analytique de l'entreprise. |
| |
En allant plus loin dans l'analyse, je suppose, écoutez, nous avons beaucoup utilisé le contrôle statistique des processus dans l'ensemble de l'entreprise et pour, |
| |
vous savez, recherchez des opportunités et vérifiez les améliorations. Ici, nous examinons l'utilisation du dioxyde de carbone et nous utilisons le dioxyde de carbone sur place 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. |
| |
Nous expulsons donc 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 variation, en particulier en 2017. |
| |
Et nous avons pu maîtriser ce processus, et nous avons pu nous assurer qu'en 2018, la vie était très, très différente et |
| |
où notre consommation moyenne de dioxyde de carbone est considérablement réduite. Nous avons encore des défis à relever et peut-être même une tendance émergeant ici aussi qui justifie une enquête, mais |
| |
il y a aussi des avantages à ce genre de chose, car tant que... en plus de maîtriser notre processus et d'avoir pu le démontrer statistiquement, nous sommes également en mesure de créer des |
| |
des études pour évaluer efficacement le taux d'absorption du dioxyde de carbone dans nos poudres également. |
| |
Donc, et c'est vraiment important, parce que 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 lorsqu'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, au lieu d'essayer d'empiler des oreillers doux, moelleux et flexibles. Donc, il y a de la victoire, de la victoire partout. Nous avons |
| |
utilisé et je ne suis certainement pas un codeur, mais nous avons certainement tendu la main et obtenu beaucoup d'aide du groupe d'utilisateurs irlandais |
| |
et à la communauté JMP... Et en fait, vous savez quoi, je vais souligner Troy Hickey chez Intel, en particulier, qui a été très utile pour nous aider du groupe d'utilisateurs irlandais. |
| |
Au sein de la communauté JMP, c'est génial lorsque vous tendez la main et posez une question, dans un domaine où vous recherchez peut-être des éclaircissements |
| |
ou peut-être un domaine dont vous ne savez rien, et pour obtenir la réponse de personnes dont vous n'avez jamais entendu parler, une réponse d'expert ainsi qu'excellente. |
| |
Donc, dans ce cas ici, nous avons pu créer du code en utilisant du JSL et nous avons pu créer ceci et une carte de contrôle |
| |
format, si vous le souhaitez, qui est sous forme d'onglets. Donc dans ce cas, pour le lait écrémé en poudre, le lait entier en poudre, la poudre de lactosérum déminéralisé et la caséine pour la mesure des protéines |
| |
tests dans nos laboratoires. Nous avons environ 30 tests différents en ce moment 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, par exemple, disons que si nous examinons, vous savez, les 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 en laboratoire et ce que |
| |
norme dit qu'il devrait être. Nous voulons donc un objectif de zéro et cela nous montre que, dans ce cas où pour |
| |
protéine, sur poudre de lactosérum déminéralisé, on s'en sort un peu ; nous sommes .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 d'affilée au-dessus de la moyenne, dans ce cas. |
| |
Et nous savons, alors, arrêter le processus et ne plus continuer, parce que nous devons enquêter et mettre quelque chose en place pour rectifier... rectifier le problème, le changement de processus dans ce cas. |
| |
Cela a donc été extrêmement positif pour nous et nous sommes à un stade où nous avons maintenant cette configuration et elle fonctionne tous les jours, et malgré qu'il y en ait, |
| |
vous savez, des centaines et des centaines de centaines, de 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, soit la dernière semaine de données à tout moment, même si les limites de contrôle sont configurées pour |
| |
sur la base des données précédentes dans le processus. Donc, vraiment bien de 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 aux sites. Et c'est important pour nous, parce que nous ne voulons pas... nous voulons qu'un camion-citerne vienne sur le site |
| |
décharger le lait et quitter 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, dans lequel 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 comme exemple, huit heures du matin jusqu'à neuf heures, |
| |
c'est là, vous savez, que les gens sont probablement partis pour le petit-déjeuner. Notre trafic est plus lourd et il n'y a pas autant de livraison sur les sites, et pareil ici, le trafic est plus lourd le soir |
| |
et les camions sont retenus ou ils sont partis... les chauffeurs sont partis dîner et ainsi de suite. Nous sommes donc en mesure d'approfondir un peu plus cela 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 par le nord, le sud, l'est et l'ouest, |
| |
à quoi cela ressemble-t-il et avons-nous une distribution claire entre les données que nous voulons ou |
| |
y a-t-il des transporteurs là-bas qui ne livrent pas sur les 24 heures depuis l'est, par exemple. Et nous pouvons comprendre ce qui se passe, et nous pouvons également prendre ces informations, |
| |
et dire, d'accord à partir d'un taux de déchargement des pompes, 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 décharge plus élevé, |
| |
afin qu'ils soient capables de pomper plus de lait plus rapidement et dans le même laps de temps, alors peut-être que 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 globalement 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 de l'excellence et des 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 un R&R de jauge standard et c'est vraiment bon, les résultats. Donc là |
| |
19 nombre de catégories distinctes; 19 est excellent et Gauge 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 donnerez à n'importe quel 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 effectuer une analyse de concordance des attributs. |
| |
Donc, dans ce cas, nous examinons que vous connaissez les 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. Donc, après que des améliorations ont été apportées, vous pouvez voir ici que nous sommes, vous savez, nous avons un accord de 90 à 95 % au sein des évaluateurs. |
| |
Dans l'ensemble, vous pouvez le voir, le niveau d'accord est de 82 % en termes de nombre de parties appariées et convenues par |
| |
à l'intérieur de chaque... à l'intérieur et entre chaque opérateur, mais probablement le plus important, c'est l'efficacité, c'est-à-dire l'alignement sur la norme. |
| |
Et on peut voir ici après coup que le niveau d'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 le 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 subi, et cela peut être, |
| |
excusez-moi, cela peut être très important car le niveau de traitement thermique peut affecter l'application 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 fabriquer, peut-être, du yaourt, |
| |
alors le produit ne conviendrait pas car il pourrait laisser une sensation granuleuse, une sensation granuleuse en bouche, peut-être ou quelque chose, donc ce n'est pas adapté à un produit comme le yogourt. |
| |
Nous avions donc des problèmes avec des résultats d'indice d'azote protéique de lactosérum incohérents, et il y avait une certaine ambiguïté remarquée dans notre procédure, |
| |
en ce sens qu'elle était sujette à interprétation. Alors ça pourrait dire, tu sais secouer quelque chose, |
| |
secouez ce flacon, vous savez, il pourrait simplement dire secouez-le, et quelqu'un pourrait dire, oui, je le secoue pendant cinq secondes, quelqu'un d'autre pourrait dire, je viens de l'inverser 10 fois, et quelqu'un d'autre dirait, oui, je secoue vigoureusement pendant 30 secondes. |
| |
Ainsi, tout le monde, avec les meilleures intentions du monde, suivait la procédure, mais si la procédure est ambiguë, elle est sujette à interprétation et cela peut également entraîner des incohérences. |
| |
Donc, ce que nous essayons de faire, c'est de concevoir des essais pour comprendre les facteurs qui peuvent influencer la variation de notre processus. |
| |
Nous avons donc ici une solution de chlorure de sodium, donc juste une solution d'eau salée, composée avec 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 pour, 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 codées par couleur. |
| |
Et puis nous avons des intervalles d'agitation du bain-marie et le nombre de gouttes d'acide chlorhydrique, je pense, était également utilisé. |
| |
Et encore une fois, nous pouvons utiliser l'explorateur interactif pour voir quand nous avons de faibles résultats WPNI, ce qui se passe avec le processus. Un peu |
| |
plus difficile de comprendre ce qui se passe ici, alors évidemment nous devons 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 effets principaux ici, le plus grand effet principal est la température du bain-marie, suivi 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 ainsi. Et nous avons également le précieux profileur de prédiction ici en bas. Nous pouvons explorer ce qui se passe. |
| |
Ce que j'aime, ainsi que le fait que vous puissiez utiliser le résultat, parfois, eh bien, j'utilise parfois le résultat de certaines de ces expériences pour... du point de vue de l'éducation. |
| |
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 lorsque 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 croisé des lignes et des lignes croisées signifient qu'il y a |
| |
forte interaction, et si les lignes sont parallèles, mais qu'elles semblent devoir 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... |
| |
également comme outil pédagogique. 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 on s'en tient à 45 minutes, là où on n'a pas de barreau d'agitation et si on change... on reste à 45 minutes et on passe à un barreau d'agitation, on voit qu'on a sauté de ce niveau à ce niveau. |
| |
Alors que lorsque nous allons avec 60 minutes, nous sommes ... le niveau WPNI est ici, sans barre d'agitation et nous sautons sur une barre d'agitation, nous pouvons le voir sauter. Donc |
| |
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 importante. |
| |
Et c'est ce que cela ressort 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 brunissement du fromage et c'est, comme il semble 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 la recette à cuisiner. Encore une fois, et voici un exemple de classification, désolé, un arbre de décision, où nous examinons |
| |
trois niveaux différents, si vous le souhaitez, un brunissement clair, moyen et foncé représenté par l'arbre, la couleur est verte, |
| |
respectivement ambre et rouge. Et nous pouvons voir que le pH au fonctionnement est le facteur le plus important ici, en particulier, si le pH au fonctionnement est supérieur à 6,48, |
| |
alors nous pouvons voir que 99,3% de notre processus va avoir, vous savez, un léger brunissement, ce que nous voulons. Le vert c'est bien, le rouge c'est mal. De même, nous savons que nous sommes à risque si notre pH est inférieur à 6,48 et que nous avons... |
| |
et nous prélevons nos échantillons, donc le fromage dans notre bloc, dans notre bloc littéralement de 20 kg, est prélevé 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 on peut voir que la taille du |
| |
les comptes qui sont le nombre d'objets en sont également la cause, 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 forêt d'amorçage secrète ici, parce que vous savez que je pense que c'est un outil sous-utilisé au sein de 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 qui est utilisé pour les arbres de décision, qu'il s'agisse d'un dichotomiseur itératif ou |
| |
C 4.5 ou 5.0 ou quoi que ce soit, mais ce que je sais, c'est que le filtrage des prédicteurs utilise l'algorithme de l'arbre de décision en arrière-plan et utilise la forêt bootstrap, qui est |
| |
échantillonnage avec remplacement également, pour créer un groupe 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 que, 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 à propos de cette pression d'air de buse et cela semble être un facteur important et le dépistage des prédicteurs me le dit. |
| |
Une main s'est levée au fond de la salle 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 sauterait. |
| |
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 également, en termes de présentation, donc en termes d'eux |
| |
utiliser des modèles pour prédire les performances futures, c'est là que nous passons de la vision à la prévision. |
| |
Et c'est là que nous avons créé un modèle assez solide à 76 % d'efficacité du modèle, basé sur 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 obtiendrions... désolé, prédire également les quantités de commandes que nous recevrons le même jour ? |
| |
Nous avons donc pu prendre toutes les données historiques et utiliser le profileur de prédiction pour sélectionner l'année, du point de vue de la saisonnalité, la plus courante pour ce que vous essayez de prédire. |
| |
Et puis 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 mis en place ici. L'un est pour quand nous avons un jour férié, l'autre quand nous n'en avons pas, et vous pouvez voir qu'il y a un important |
| |
ici aussi effet d'interaction entre jour férié et jour de la semaine. Donc, nous pouvons revenir à l'entreprise dire 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 1 100 tonnes métriques de produits. |
| |
Nous avons donc en fait géré cela sur 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. |
| |
Ensuite, de la perspicacité à la prévision, où nous cherchons à nouveau... en essayant de rendre compte de la véracité de la saison, |
| |
nous avons différentes années ici, représentées par différentes couleurs, donc 2015, 16, 17, 18 et ainsi de suite. Et nous examinons un certain nombre... certaines des commandes de quantité 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 prédit réel, de sorte que la valeur 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 être capable d'utiliser, et si je suis honnête, je ne me souviens pas... c'était soit des prévisions saisonnières exponentielles, soit notre ARIMA saisonnier, |
| |
saisonnier ??? moyenne mobile métrique pour déterminer les six prochains mois, à quoi cela va ressembler. |
| |
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 étirement, pour nous, parce que nous ne sommes pas allés dans la zone avant, mais les réseaux de neurones. Donc, en utilisant les réseaux de neurones, dans ce cas, comme un essai pour comprendre si nous pouvons niveler les sédiments dans notre processus. Donc, si nous avons des résultats ADPI, c'est donc |
| |
un coussin de sédiments et nous examinons une quantité de particules éventuellement brûlées, peut-être à partir d'un processus de séchage ou autre, et où 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 du culbuteur 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 au fond. |
| |
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 |
| |
nœuds d'entrée également pour alimenter notre fonction d'activation, puis nous avons également notre couche de sortie ici, qui nous a donné le résultat final. Nous pouvons donc utiliser, |
| |
dans ce cas, 6 245 résultats à |
| |
entraînez notre modèle puis, une fois que nous avons validé avec l'utilisation de la validation croisée également, nous pouvons créer notre matrice de confusion ici, ce qui est également très bon. 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 avions 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 de ces si et quand |
| |
une certaine ambiguïté apparaît dans les résultats, puis essaie de faire un dernier appel. Donc je suppose que la question ici est, 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 comme A1 ici, s'attendrait à ce qu'elle soit assez élevée si le résultat du culbuteur était T1B1, pratiquement aucun flotteur ou plomb |
| |
et si les résultats du tamis étaient également assez faibles, en termes de quantité de particules, nous nous attendrions à avoir nos résultats ici pour A1. |
| |
Le fait que nous voyions A1 ici pourrait indiquer que la formation du modèle n'était pas aussi efficace qu'elle aurait pu l'être et qu'il pourrait 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 une preuve de concept pour nous, je suppose, vraiment alors que nous commençons à nous diriger vers l'ensemble de l'espace d'apprentissage automatique et de 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 sur le tout et m'excuser... excuses si cela se sentait précipité, mais ce que je dirais est juste du point de vue des pensées finales, |
| |
Je pense qu'il a été démontré que, quelle que soit l'industrie dans laquelle vous travaillez, même s'il y en a dans l'industrie agricole, qui est très éloignée de l'environnement typique d'analyse de données, dans n'importe quelle industrie, vous pouvez utiliser |
| |
l'analyse de 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 qu'il ne faut pas sous-estimer la valeur d'une simple analyse graphique. Ce n'est qu'à mi-parcours de cette présentation que nous avons commencé à présenter certaines des analyses les plus puissantes intégrées à JMP et |
| |
Je pense que c'est génial de savoir utiliser tous les outils sophistiqués et qu'il y a un moment et un endroit pour cela, mais, vous savez, la simplicité peut aussi être très puissante, et ne sous-estimez pas sa valeur. |
| |
A part ça, je dirais merci à tous pour votre écoute. Je l'apprécie vraiment et si vous avez des questions ou des commentaires, ils sont plus que bienvenus maintenant. Merci. |
