Altoparlante
|
Trascrizione
|
| Kieran O'Mahony |
Ok, quindi grazie mille, mi chiamo Kieran O'Mahony e sono il responsabile della scienza dei dati e dell'analisi per Dairygold in Irlanda. |
| |
E il titolo della mia presentazione è Milking the Data at Dairygold from Bar Charts to Neural Networks. |
| |
Quindi penso sia giusto dire che l'uso dell'analisi dei dati è in genere più associato a settori come finanza e sanità, prodotti farmaceutici, semiconduttori e simili, ed è probabilmente raro che le parole, agricoltura e analisi si trovino nella stessa frase . |
| |
Quindi questa sessione ha lo scopo di fornire una panoramica di come alcune aziende molto ... tradizionali abbiano sia abbracciato che incoraggiato l'uso dell'analisi in tutta l'azienda. |
| |
Quindi questa sessione sarà probabilmente diversa dalle altre sessioni che potresti vedere a Discovery, nel senso che ciò che sto cercando di fare qui è meno concentrarsi su un progetto, ma piuttosto mostrare più esempi di come |
| |
Dairygold ha utilizzato JMP per consentire alcune decisioni più basate sui dati in tutta l'azienda, e non solo nella produzione, cosa che ritengo importante. |
| |
Quindi, prima di iniziare, suppongo che sia importante fornire un po 'di background sull'attività, una panoramica e quello che facciamo. |
| |
Quindi Dairygold è la principale cooperativa di proprietà di agricoltori irlandesi con impianti di produzione di formaggi e polveri nutrizionali all'avanguardia situati nel cuore delle Valli d'Oro. |
| |
Ok, quindi solo per spiegare che, come cooperativa, fondamentalmente ... significa che siamo di proprietà dei fornitori di latte, quindi degli agricoltori. |
| |
Quindi abbiamo 2.800 fornitori di latte che ci forniscono latte su base giornaliera e ognuno di loro è azionista, quindi il modello di business è un po 'insolito nel senso che i fornitori di materie prime sono anche i proprietari dell'azienda. |
| |
Quindi il fatturato lo scorso anno è stato di 1,2 miliardi di euro e abbiamo circa 1.200 dipendenti e lavoriamo circa 1,4 miliardi di litri di latte all'anno, quindi è un bel po 'di latte che ci arriva ogni giorno. Infatti, |
| |
al massimo, perché abbiamo un'attività stagionale, al massimo della produzione si parla di oltre 6 milioni di litri di latte che arrivano nei siti su base giornaliera. |
| |
Abbiamo anche negozi al dettaglio, dove puoi acquistare qualsiasi cosa, da un martello a materiale elettrico per la casa e attrezzature agricole e tutto il resto. E abbiamo anche il lato agricolo dell'attività, dove produciamo mangimi per animali nei nostri mulini. |
| |
Quindi Dairygold è in circolazione da molto tempo, e ha iniziato nel 1908 come Ballyclough per poi diventare Mitchelstown nel 1919 e poi Dairygold nel 1990. |
| |
E probabilmente siamo arrivati ... beh, non probabilmente ... è giusto dire che abbiamo fatto molta strada da quando il latte veniva consegnato a cavallo e in carrozza, tanti anni fa. |
| |
È un'organizzazione molto tradizionale e ha molta storia, ma è anche un'organizzazione molto progressista. |
| |
E quando dico che abbiamo fatto molta strada, sai che ora abbiamo una catena di approvvigionamento molto ampia con una flotta di petroliere, e ogni petroliera, |
| |
potete vedere un esempio qui, ogni cisterna trasporta circa 26.000 litri di latte e raccogliamo latte giornalmente dai nostri 2.800 fornitori. Ed è una catena di approvvigionamento molto complessa nel senso che |
| |
non solo raccogliamo latte dai nostri fornitori, ma raccogliamo anche siero di latte dai nostri stabilimenti di lavorazione del formaggio, se non lo indirizziamo automaticamente |
| |
attraverso un tubo a un sito diverso. Quindi lo abbiamo raccolto anche in autocisterne e lo trasportiamo in altri siti. |
| |
E facciamo lo stesso per il concentrato di latte scremato e il concentrato di siero di latte demineralizzato che vendiamo ad altri clienti, e poi abbiamo anche la parte in polvere e la parte del formaggio dell'azienda in cui distribuiamo anche. |
| |
Quindi abbiamo anche alcuni dei più grandi essiccatoi (?) In Europa, puoi vederne uno in particolare che si estende su cinque o sei piani. |
| |
Quindi, negli ultimi cinque o sei anni, Dairygold ha investito oltre 400 milioni negli stabilimenti, quindi è garantito ... per garantire che abbiamo ... |
| |
possiamo soddisfare le esigenze della futura espansione del volume nel pool di latte (?). In termini di prodotti che produciamo, facciamo |
| |
polveri e formaggi, per la maggior parte, da latte intero in polvere a latte scremato in polvere e proteine in polvere e molti diversi tipi di formaggio, in particolare formaggio e cheddar. |
| |
E forniamo molteplici settori, dalla pasticceria alla pizza, al salato, allo yogurt, agli alimenti trasformati e persino al latte artificiale, quindi agli alimenti per l'infanzia. |
| |
Ed è probabile che tu ... se hai mangiato del tutto oggi, è molto probabile che tu abbia anche consumato un po 'di latte scremato o latte intero in polvere perché è così diffuso, in questi giorni, in tanti ingredienti alimentari. |
| |
Quindi questo è il contesto dell'attività. In termini di dati, penso sia giusto dire che ci sono molte aziende là fuori che sono ritenute molto ricche di dati ma scarse di informazioni. |
| |
Ed è anche giusto dire che più dati hai, e a volte ciò che può andare con quello è anche molta più confusione. |
| |
E a volte penso sia giusto dire che anche quando hai tutte le informazioni e hai ... quindi hai questa popolazione e hai, sai, un'idea di cosa esattamente |
| |
è necessario estrarre per ottenere informazioni utili dall'azienda, a volte le aziende non sanno esattamente cosa fare con quei dati. |
| |
E dal punto di vista di Dairygold, quello che vogliamo fare è provare ad allontanarci maggiormente dal lato destro del cervello, dove si concentra sull'uso, suppongo, di supposizioni e sensazioni viscerali, supposizioni e intuizioni, |
| |
e spostandoci maggiormente verso il lato sinistro del cervello, dove è più focalizzato sull'uso della logica, della matematica, della ragione e della scienza, ma questo è ciò che vogliamo utilizzare di più nel business e utilizzare più processi decisionali basati sui dati in tutta l'azienda. |
| |
Mi è stato chiesto una volta prima di una presentazione, di fornire un riepilogo sulla strategia dei dati di Dairygold e di farlo su una singola pagina, e credo che al momento, io ... |
| |
è stato allora che ho capito che probabilmente non avevamo una solida strategia per i dati in quel momento. |
| |
Ma quello che sto cercando di fare qui ora è solo mostrare in una singola immagine qual è la nostra effettiva strategia sui dati ed è molto semplice. |
| |
Quindi vogliamo prendere i dati che esistono nel business e utilizzare l'analisi per trasformarli in informazioni utili. |
| |
E da queste informazioni otteniamo risposte alle domande chiave che avevamo, e talvolta non solo otteniamo risposte alle domande che avevamo, ma a volte |
| |
in realtà ci ritroviamo con più domande. Ma queste sono davvero importanti e davvero potenti, perché sono domande che non sapevamo di porre fin dall'inizio. |
| |
Quindi a volte dobbiamo tornare indietro e esaminare di nuovo i nostri dati e aiutarci a ottenere risposte a queste domande. |
| |
Ma alla fine, quando arriviamo al punto in cui abbiamo le risposte a tutte le nostre domande, siamo in una posizione molto migliore e abbiamo molte più informazioni sui nostri processi. |
| |
E con questa intuizione, siamo quindi in grado di prendere alcune decisioni tempestive basate sui dati e darci il diritto ... mandarci mandarci nella giusta direzione. |
| |
E se comprendiamo abbastanza bene il nostro processo, abbiamo abbastanza informazioni, allora dovremmo essere in grado di utilizzare quei dati per essere in grado di |
| |
capire cosa potrebbe accadere in futuro, con un alto grado di precisione. Quindi una buona conoscenza dovrebbe consentirci di avere anche una buona previsione, dove possiamo prevedere cosa accadrà. |
| |
Quindi, come ho detto all'inizio, lo scopo di questa presentazione è fornire una serie di esempi dei diversi modi in cui i dati sono stati utilizzati in Dairygold. |
| |
Siamo, direi, sai, lungo il percorso da una prospettiva interna, in termini di prendere decisioni basate sui nostri dati, ea questo punto stiamo iniziando l'intera area dell'apprendimento automatico e dell'intelligenza artificiale. |
| |
Quindi sono un grande sostenitore che il semplice può essere anche molto potente. |
| |
Ed è per questo che questa presentazione viene chiamata dai grafici a barre alle reti neurali. |
| |
E penso che sia davvero importante sottolineare che puoi estrarre molto valore da analisi molto semplici. Quindi il primo esempio che voglio condividere qui è, sono solo grafici a barre. |
| |
Ma a volte penso che le persone possano partecipare a presentazioni e avere un grafico a barre che si estende su più pagine e con JMP è così facile mettere tutte le informazioni in un unico |
| |
Visualizza. Quindi, in questo caso, stiamo guardando l'acido nitrico in un processo di pulizia e qui sopra, possiamo vedere ogni singolo punto dati e per ciascuna di tutte le fasi di un processo di pulizia con acido nitrico. |
| |
E puoi vedere il livello di acido nitrico che è stato utilizzato in ciascuno dei passaggi. Il passaggio successivo che stiamo esaminando ... esaminare il numero di utilizzi, quindi il numero di volte in cui è stato eseguito il passaggio. |
| |
E qui stiamo esaminando l'uso medio di acido nitrico per ciascuno dei passaggi. Quindi, come esempio, possiamo vedere che, |
| |
sai, abbiamo una media più alta qui di 24 litri a settimana utilizzati, ma la frequenza con cui si è verificato quel passaggio è stata solo quattro volte, |
| |
ed è stato chiaramente influenzato da questo valore anomalo qui, quindi questo è ovviamente distorto, e probabilmente più importante, per noi, perché quello che stiamo cercando di fare qui è capire |
| |
e ridurre la quantità di acido nitrico che è stata utilizzata su base giornaliera, settimanale, mensile, è la somma dell'acido nitrico utilizzato durante il processo per ciascuna delle fasi del processo. |
| |
E cosa era importante ... cosa era importante per noi evidenziare qui, immagino, e ancora una volta sono solo semplici grafici a barre, ma ci ha dato una direzione enorme |
| |
nel business e ci ha mandato via ... scusate, ho evitato di mandarci in tangente perché quando abbiamo guardato tutti questi dati, possiamo vedere che |
| |
Tre diverse aree saltarono fuori. Abbiamo fatto anche il risciacquo finale, il pre-risciacquo e un'altra fase di risciacquo finale. E i dati stavano mostrando |
| |
quell'acido veniva utilizzato durante queste fasi di risciacquo, il che non è possibile perché le fasi di risciacquo riguardano solo l'acqua. |
| |
Quindi un po 'di ulteriori ricerche hanno mostrato che inizialmente i tag di dati errati erano stati impostati da un fornitore sul nostro sistema di scanner (?) |
| |
per le nostre portate monitorate. Quindi, dove pensavamo di monitorare l'utilizzo di acido nitrico, in realtà non lo eravamo. Siamo stati informati in modo errato. Così |
| |
avremmo potuto davvero andare e scavare in profondità e capire il nostro processo e cosa lo stava guidando, ma i grafici a barre molto semplici spesso centrano una direzione corretta e siamo stati in grado di capire con precisione cosa stava realmente accadendo nella nostra attività. |
| |
E il nostro uso dei grafici a barre nel business e, se devo essere onesto, questo è probabilmente uno dei miei usi preferiti dei grafici a barre nel mondo degli affari perché è così semplice. |
| |
Ma mostra ... mostra quattro diverse dimensioni del tempo di inattività in un'unica pagina, davvero semplice e molto facile da usare e intuitivo da usare e leggere, penso, anche. |
| |
Quindi quello che abbiamo qui è la quantità di tempo di inattività monitorata in un caseificio al mese. Quindi stai guardando i minuti di inattività sull'asse Y qui |
| |
per ciascuna delle sei diverse aree all'interno del caseificio, per ciascuno dei sei mesi aprile, maggio, giugno, luglio e così via fino a settembre in ordine decrescente, in ordine temporale, immagino, davvero |
| |
per ciascuno dei turni A, B, C e D. Ora, potresti essere perdonato se pensi che i dati siano stati inventati perché il numero di minuti è così basso, ma è davvero importante da un |
| |
prospettiva di produzione di formaggio che l'impianto non si ferma. Quindi questi sono numeri reali, voglio dire che stiamo monitorando i tempi di inattività in pochi minuti al mese. |
| |
Se il processo si interrompe, il pH del prodotto cambia e questo può influire negativamente |
| |
anche il prezzo di vendita finale e la qualità del prodotto, quindi è importante non fermarci. |
| |
E quindi, questo è il livello a cui siamo dal punto di vista della manutenzione. Siamo a pochi minuti e chiaramente quello che possiamo vedere qui è che non ci sono troppi problemi con BetaVac, ma per i blockformer, stiamo riscontrando problemi con i turni C e D. |
| |
con più problemi qui per C su Blockmaster. In quest'area di nastri trasportatori, di nuovo C salta fuori di nuovo, e di nuovo per i gusseters C e D. |
| |
E forse altri problemi con C e D qui. Quindi quello che siamo in grado di estrarre da questa analisi è che i turni C e D stanno faticando un po 'dal punto di vista della manutenzione e avevano bisogno di un po' più di supporto. |
| |
Ci piace particolarmente il collegamento dinamico |
| |
elemento di JMP anche per l'esplorazione dei dati. E, in questo caso, devo sottolineare che abbiamo molti laboratori all'interno dell'azienda, quindi abbiamo microbiologia, chimica, ??? laboratori, |
| |
e testiamo latte, formaggio, acqua e prodotto finito e in lavorazione e testiamo un numero enorme di elementi del business. |
| |
E questa funzione di collegamento interattivo che era, come puoi vedere qui, è stata trasformata in un HTML interattivo, |
| |
è stato utilizzato in modo che diverse persone all'interno dell'azienda potessero lavorare per creare un repository e quindi essere in grado di visualizzarlo e interagire con esso. |
| |
Quindi quello che stiamo cercando di fare qui è creare un repository in cui abbiamo problemi che esistono all'interno dell'azienda, quindi in questo caso sto evidenziando il blocco ... scusate, sto mostrando tubi bloccati e CIP dell'evaporatore e interruzione di corrente. |
| |
E quando fai clic sull'interruzione di corrente, puoi vedere le aree ombreggiate delle barre verdi che vengono evidenziate. Quindi in questo caso, vedi un'interruzione di corrente, una o più avvenute ad agosto. |
| |
Ha influenzato queste fasi di elaborazione qui e il microrganismo, in particolare, che è stato visto di più in quei processi è stato lo streptococco. |
| |
Quindi il valore qui è che quando continuiamo ad aggiungere problemi a questo repository da una prospettiva fattoriale sarà possibile farlo |
| |
guarda al futuro per vedere i rischi per l'azienda quando succede qualcosa, quindi sappiamo che la prossima volta che avremo un'interruzione di corrente che avremo bisogno di aumentare la quantità di test in questa fase o processo perché c'è un rischio maggiore di insorgenza di streptococco. |
| |
A volte arrivi al punto in cui hai così tante barre da aggiungere che conosci la stagionalità e la fluidità |
| |
linee anche per aggiungere più visibilità. Questa è una sfida che abbiamo nel business, di cui parlerò più avanti, è l'elemento di stagionalità del business. |
| |
E lo siamo moltissimo, perché le mucche mangiano l'erba e l'erba viene usata, quindi ovviamente per fare il latte, in ultima analisi, e perché, in Irlanda, il tempo è così inaffidabile. |
| |
Può piovere un giorno e nevicare il giorno successivo e sole il giorno successivo, quindi dal punto di vista della stagionalità, dove ciascuno dei colori delle barre qui viene utilizzato per rappresentare un anno diverso, quindi 2015, 16, 17, 18. |
| |
Ed è anche solo il fine settimana, dovrei aggiungere, e sta esaminando gli ordini complessivi del fine settimana nel mezzo per un verde. |
| |
Puoi vedere che gli anni 2016 e 17 sono in qualche modo simili in quanto hanno questa forma m, mentre il 2018 qui è molto, molto diverso. |
| |
Quindi, ad esempio, ecco dove ci lanciamo palle di neve a vicenda e sei settimane dopo, c'è stata un'ondata di caldo, con il divieto dei tubi dell'acqua. |
| |
Quindi è molto, molto difficile utilizzare i dati sulla stagionalità che dipendono effettivamente dalle condizioni meteorologiche all'interno dell'azienda, ma questa è una delle sfide che cerchiamo di superare. |
| |
Quindi, da una tendenza ... mantenendo la prospettiva della tendenza, utilizziamo JMP anche per l'esplorazione non guidata dal progetto. Quindi ecco un esempio di 2.800 fornitori di latte in media mensili di |
| |
risultati sia di proteine che di grassi entrano nel business in un periodo di due anni. Quindi ogni segno di spunta qui rappresenta, in questo caso 2018 settembre, 2018 ottobre e così via. |
| |
Quindi mostra la gamma di variazione che esiste, sia all'interno che tra i nostri fornitori. E ciò che è utile, è che possiamo entrare in zona, e possiamo dire in particolare per questo ragazzo, ad esempio, perché questo ragazzo è così alto? |
| |
Ed è costantemente alto sia per i grassi che per le proteine e c'è qualcosa che possiamo imparare da questo fornitore che possiamo forse portare ad altri fornitori? |
| |
Oppure, al contrario, ci sono altri fornitori nella fascia più bassa |
| |
ciò potrebbe fare con un po 'di supporto e un po' di aiuto dai nostri consulenti del latte perché sono costantemente incapaci di ottenere le loro proteine e i loro livelli di grassi nel loro latte |
| |
alto. Questi sono importanti, perché questi sono i parametri su cui vengono pagati gli agricoltori, il livello di proteine e grassi. |
| |
Quindi in questo caso si è scoperto che questo ragazzo in particolare era uno dei pochissimi fornitori di latte che sceglie di mungere solo una volta al giorno. |
| |
Quindi, significa che i suoi livelli di grassi e proteine sono in realtà più alti di tutti gli altri, ma ha meno volume da restituire a Dairygold, ma questa è la sua scelta. |
| |
grafici paralleli. |
| |
E questi sono i miei preferiti al momento perché penso che mostrino così tante informazioni su una pagina, allo stesso tempo, per così tanti parametri diversi. |
| |
Questo è un problema che si sta effettivamente verificando in questo momento, quindi è letteralmente scottante e il problema non è stato ancora risolto. |
| |
Quindi quello che stiamo guardando qui è ... è relativo a blocchi intermittenti di polvere su essiccatori a letto fluido e cicloni, |
| |
che in pratica significa che la polvere sta bloccando gli essiccatori e i cicloni. E chiamiamo questi strozzatori, OK, quindi l'attrezzatura è soffocata e dobbiamo fermare l'attrezzatura e pulirli. |
| |
Quindi quello che stiamo effettivamente guardando qui è |
| |
30 parametri diversi, tutti misurati su ... tutti visualizzati sull'asse X qui. |
| |
E ciascuna delle linee che vanno da sinistra a destra rappresenta un minuto di tempo per le impostazioni di ciascuno di questi 30 parametri. Il rosso indica il |
| |
minuti che sono nell'ora pre-soffocamento che si verifica, quindi questi sono, questi sono i livelli, se vuoi, per 60 |
| |
occorrenze ... 60 minuti prima che si verifichi qualsiasi soffocamento e questo gruppo rosso qui rappresenta nove diverse occorrenze di soffocamento. |
| |
Ok, quindi c'è tutto ciò che non è 540 basi qui, quindi questa è effettivamente l'impronta digitale di ciò che accade, appena prima che si verifichi un soffocamento. |
| |
E quando ... quello che stiamo cercando di fare è confrontarlo con i tipici scenari di produzione operativa normale dal punto di vista dei parametri della macchina. |
| |
Ed è davvero buono, perché puoi vedere come si confrontano e anche meglio quando puoi sovrapporli anche uno sopra l'altro, e ho ... l'assenza di strozzatura è fantasma sullo sfondo. Quindi ora ciò che è interessante è che possiamo effettivamente vedere |
| |
come lo scenario di soffocamento differisce da quello senza soffocamento e capire cosa sta succedendo. Quindi, ad esempio, una domanda che viene esplorata in questo momento è: |
| |
sai, sembra che abbiamo livelli più bassi di qualunque cosa sia ... pressione differenziale. |
| |
E per la maggior parte, quando otteniamo un soffocamento, questo è un potenziale fattore che contribuisce a cui dovremmo prestare attenzione? È qualcosa che lo sta causando? Perché tipico ordine operativo |
| |
i parametri quando le cose vanno bene per la pressione differenziale sono alti anche qui. Quindi di nuovo, solo un esempio. |
| |
Utilizzando i dati GPS per visualizzare modelli e tendenze nella posizione dei fornitori, ciò che stiamo osservando qui sono i livelli di proteine a dicembre e in tutta la regione del Munster, dove si trovano tutti i nostri fornitori. E ogni punto qui rappresenta una posizione del fornitore all'interno dell'azienda. |
| |
E la dimensione del punto rappresenta il volume di latte che il fornitore fornisce a Dairygold, quindi sai, più grande è il punto, più grande è la fattoria in realtà. |
| |
E qui c'è una scala divergente, in cui ci aspettiamo che il volume ... mi dispiace che i livelli di proteine dovrebbero essere 3.5, quindi siamo meno interessati a questo e questo è ombreggiato in grigio. |
| |
Ma qualsiasi cosa maggiore di 3,5 è in verde, quindi è ... sono i ragazzi che stanno andando davvero bene, e in rosso sono i fornitori che forse sono, |
| |
scusatemi, forse stanno lottando un po 'per aumentare i livelli di proteine. Quindi è qui che possiamo usare i nostri dati per forse raggiungere e vedere se ci sono fornitori che potrebbero aver bisogno del supporto dei nostri consulenti del latte e possiamo anche aiutarli, quindi molto utili. |
| |
Attenendoci all'elemento geografico, siamo stati in grado di mettere a tacere anche alcuni vecchi miti. Quindi questi sono i file |
| |
discussioni che potrebbero aver luogo al refrigeratore d'acqua per cui, qualcuno direbbe che questa cosa, NPN, è decisamente influenzata geograficamente. |
| |
NPN è una cosa abbastanza difficile da spiegare, quindi userò l'analogia qui di una pinta, una pinta di birra se vuoi. È più che altro un bicchiere, credo, davvero. |
| |
E così, come tutti sanno, il latte contiene proteine, grassi, lattosio, minerali, vitamine. Ora, queste sono cose buone. |
| |
E, ma ci sono anche molte altre cose, e se guardiamo solo alle proteine nel loro insieme, puoi considerare l'intera pinta di proteine che otteniamo nel latte dagli agricoltori. |
| |
Ma quella proteina può essere scomposta nella vera proteina che è fondamentalmente quella parte liquida della bevanda qui. |
| |
Ed è questo bit che possiamo effettivamente utilizzare nel nostro processo di produzione. La testa della pinta, la parte schiumosa qui, è l'altra roba, quindi l'urea e l'acido urico e così via. |
| |
Sebbene paghiamo i nostri fornitori per tutte le proteine, sfortunatamente non possiamo utilizzare tutte le proteine nel nostro processo, quindi possiamo usare solo questo pezzo qui, il pezzo vero, o come la vera proteina. |
| |
Quindi, a seconda del processo, può accadere che se abbiamo livelli più alti o più bassi di NPN, azoto non proteico, in un dato periodo dell'anno, |
| |
allora potrebbe essere meglio indirizzare quel prodotto a un determinato sito |
| |
ora su un altro sito, quindi possiamo essere forse strategici. E la domanda è sempre stata, sai, scommetto che in un particolare periodo dell'anno, la posizione geografica avrà un impatto sui livelli di azoto non proteico |
| |
le posizioni geografiche. E quello che vedi qui sono dati provenienti da 284.000 punti dati, quindi 284.000 misure di NPN, |
| |
azoto non proteico, per un intero anno, in sei diverse regioni del Munster, nell'Irlanda meridionale. |
| |
E le linee qui rappresentano i mezzi e la differenza di mezzi che esiste di mese in mese, ma anche i mezzi che differiscono da una prospettiva di colore da regione a regione. |
| |
I box plot qui rappresentano la quantità di variazione che esiste all'interno e tra, di nuovo, ciascuna delle regioni, quindi chiaramente, puoi vedere che le medie stanno seguendo |
| |
insieme bene l'uno con l'altro per ciascuna regione e anche ogni volta che la quantità di variazione si riduce, |
| |
diciamo qui a luglio, sembra ridursi in tutte le regioni, tranne forse una leggera anomalia qui per Tipperary, in questo caso. |
| |
Ma per la maggior parte, quando la variazione aumenta anche in una regione, aumenta in tutte le regioni. |
| |
Quindi non possiamo più ... non abbiamo più bisogno di parlare del potenziale di questo quello e dell'altro. Siamo in grado di dimostrare e confutare le teorie molto rapidamente anche con i nostri dati. |
| |
Ogni cinque anni inviamo il censimento della linea mediana (?) Ai nostri fornitori misti e ci aiuta a comprendere le intenzioni future in termini di volume e le sfide che i fornitori potrebbero avere nella loro azienda agricola. |
| |
E fornisce un'indicazione del sentiment da una direzione aziendale e anche da una prospettiva di investimento, dai nostri membri. |
| |
Così recentemente abbiamo inviato oltre 100 domande a ciascuno dei nostri 2.800 fornitori e, in questo caso, la domanda che ci siamo posti è stata: quali sono i fattori limitanti la crescita nella tua azienda? |
| |
E alle persone sono state date nove opzioni, quindi in questo caso, fattore da uno a nove. Quindi è stato chiesto loro di classificare in ordine di importanza maggiore o minore, quindi da uno a nove, quei fattori come presentati loro. Quindi, come puoi immaginare, ottieni 2.800 risultati |
| |
da ogni fornitore, ma ogni risultato ha un punteggio da uno a nove e alcuni di loro non sempre hanno ottenuto uno a nove, potrebbero aver fatto solo i primi tre, altri forse i primi cinque o i primi sette o altro. |
| |
Quindi la domanda è: come puoi rappresentare al meglio tutti quei dati quei 25.000 punti di dati in un quadro chiaro che rappresenta l'intera comunità agricola che riferisce a Dairygold, se lo desideri. |
| |
E i risultati sono ... quindi la risposta qui è semplicemente una trama a mosaico. Puoi vedere qui, si spera, molto chiaramente che il 48,8% degli intervistati, dei nostri fornitori, ha classificato il Fattore 4 come il più significativo |
| |
fattore limitante all'espansione nelle loro aziende agricole. Segue poi il fattore 5, dove il 19% ha votato come il numero uno più significativo e il 23% ha votato |
| |
come numero due. Puoi vedere di nuovo i fattori più importanti per gli agricoltori mentre andiamo da sinistra a destra. |
| |
Quindi il colore è davvero importante qui e sto seguendo quella squadra qui con mappe di calore stratificate, ancora una volta, per una parte molto diversa |
| |
ordini al dettaglio. Quindi in questo caso stiamo esaminando il numero di ordini effettuati in base all'ora del giorno solo nei fine settimana |
| |
per alimentare i nostri negozi. Quindi questo è per venerdì, sabato e domenica per ciascuno dei quattro diversi anni dal 2015 al 2018. |
| |
E per l'ora del giorno in cui vengono inviati gli ordini. Ora gli ordini possono essere inviati dagli agricoltori su app e ... o |
| |
possono suonare nell'ordine. Ma puoi vedere chiaramente qui il venerdì, sai, quando il primo |
| |
avviene la mungitura delle mucche, alcuni allevatori escono e, proprio alle cinque del mattino, dicono okay, ho bisogno di più mangime. Effettuerò un ordine qui automaticamente nell'app. |
| |
E ancora, potrebbe succedere di nuovo, forse alle 12 o giù di lì e dipende dall'ora di mungitura della mandria, e così via. Ma il valore qui è che possiamo |
| |
capire quali sono i periodi più impegnativi del fine settimana per la ricezione degli ordini e quando gli ordini devono essere elaborati, e può permetterci di capire |
| |
il modo migliore per avere livelli di personale efficaci durante il fine settimana, quindi non ha senso avere lo stesso numero di persone la domenica che il venerdì. Forse di più |
| |
Dovrebbe essere speso concentrato ... e più personale dovrebbe concentrarsi sul ricevere ordini il venerdì e forse anche il sabato mattina presto. Quindi era molto più efficace il livello di personale nei nostri negozi. |
| |
Ancora una volta, mantenendo il tema del colore e, come sappiamo, delle analisi fantasiose, ma come noterai, ci arriveremo a breve, |
| |
ma mantieni il tema del colore, e quello che stai guardando qui è l'output in cui abbiamo rappresentato graficamente un grande letto di formaggio. |
| |
Quindi quando dico grande è probabilmente lungo 25 metri e probabilmente largo due metri. Quindi tutta la cagliata è stata scolata dal siero di latte a questo punto, quindi questo letto di formaggio viene schiacciato e tagliato in 70 strisce. |
| |
E poi le strisce vengono tagliate in cinque blocchi e poi quello che abbiamo fatto è aver misurato l'altezza dei blocchi a sinistra, al centro e sul lato destro. |
| |
Quindi quello che stiamo cercando di fare è ottenere un indicatore sull'altezza del letto di formaggio per questa grande enorme lastra di formaggio. |
| |
E una volta che siamo stati in grado di farlo, abbiamo potuto ottenere un'immagine davvero buona di ciò che sta realmente accadendo e utilizzando il colore come guida, oltre alla larghezza nel nostro letto di formaggio. |
| |
Quindi, chiaramente il rosso significa il più alto, il verde significa un po 'più basso e qui stiamo misurando in millimetri, quindi è da 120 millimetri a 155 millimetri. |
| |
Chiaramente, puoi vedere qui che c'è un po 'di pendenza quando vai dall'angolo in alto a sinistra |
| |
lato, dove le altezze sono più alte verso il lato sinistro e anche verso il lato inferiore sinistro, dove il letto sta effettivamente cadendo. |
| |
Quindi questo è molto importante per noi perché, dal punto di vista della variabilità, quello che stiamo cercando di capire è, c'è un diverso ... perché c'è una differenza nei blocchi ... |
| |
nel peso dei blocchi che vanno al nostro processo? Questo indica più o meno uno dei motivi. E uno dei motivi è che se l'altezza dei blocchi sarà diversa, |
| |
quindi la logica imporrebbe che anche il peso dei blocchi sarà diverso se il formaggio è stato compresso allo stesso modo ... dalla stessa forza. |
| |
Quindi, ancora una volta è più facile per le persone capirlo nelle immagini, in particolare se non sono molto esperti nel lato analitico del business. |
| |
Andando di più nell'analisi, suppongo, guarda, abbiamo utilizzato molto il controllo statistico dei processi in tutta l'azienda e per, |
| |
sai, cerca opportunità e verifica miglioramenti. Qui stiamo esaminando l'utilizzo di anidride carbonica e utilizziamo anidride carbonica in loco nei nostri prodotti e in particolare nelle nostre polveri, |
| |
quando raccogliamo le polveri per estendere la durata di conservazione dei prodotti, che è una pratica standard nell'industria. |
| |
Quindi espelliamo l'aria e aggiungiamo anidride carbonica quando stiamo riempiendo i sacchetti e, ma puoi vederlo qui, e poi sigilliamo i sacchetti, ma puoi vedere qui, abbiamo avuto molte variazioni, in particolare nel 2017. |
| |
E siamo stati in grado di tenere sotto controllo quel processo e siamo stati in grado di garantire che entro il 2018 la vita fosse molto, molto diversa e |
| |
dove il nostro utilizzo medio di anidride carbonica è ridotto in modo significativo. Abbiamo ancora alcune sfide e forse anche un modello che emerge anche qui che giustifica un'indagine, ma |
| |
ci sono anche dei vantaggi in questo genere di cose, perché fintanto che ... oltre a tenere sotto controllo il nostro processo e siamo stati in grado di dimostrare statisticamente lo stesso, siamo anche in grado di creare alcuni |
| |
studi per valutare efficacemente anche il tasso di assorbimento dell'anidride carbonica nelle nostre polveri. |
| |
Quindi, e questo è davvero importante, perché se riusciamo a capire come il nostro prodotto assorbe l'anidride carbonica, allora porta ad altri vantaggi, quindi uno è |
| |
quando il grasso assorbe l'anidride carbonica in un sacchetto, crea un vuoto all'interno di questo sacchetto sigillato, quindi quando crea un vuoto |
| |
il sacchetto inizia a sigillare intorno alla polvere e rende il sacchetto di polvere molto più rigido. |
| |
Quindi ora, dal punto di vista della catena di approvvigionamento, riduce i rischi e semplifica la vita quando possiamo impilare questi sacchi su pallet per il trasporto e la spedizione perché. |
| |
ora è come se stessimo impilando blocchi di cemento, invece di cercare di impilare cuscini che sono morbidi, soffici e flessibili. Quindi c'è vittoria, vittoria tutto intorno. Abbiamo |
| |
usato e sicuramente non sono un programmatore, ma abbiamo sicuramente contattato e ricevuto molto aiuto dal gruppo di utenti irlandesi |
| |
e alla comunità JMP ... E in realtà, sai una cosa, farò notare Troy Hickey di Intel, in particolare, che è stato molto utile aiutandoci dal gruppo di utenti irlandesi. |
| |
Nella comunità di JMP, è brillante quando ti rivolgi e fai una domanda, in un'area che forse stai cercando un po 'di chiarezza |
| |
o forse un'area di cui non sai nulla, e per ottenere la risposta da persone di cui non hai mai sentito parlare, un esperto oltre che eccellente. |
| |
Quindi in questo caso qui, siamo stati in grado di creare del codice usando un po 'di JSL e siamo stati in grado di creare questo grafico di controllo |
| |
formato, se lo desideri, che è in formato a schede. Quindi, in questo caso, per latte scremato in polvere, latte intero in polvere, siero di latte in polvere demineralizzato e caseina per misurare le proteine |
| |
test nei nostri nei nostri laboratori. Al momento abbiamo circa 30 test diversi che stiamo monitorando e stiamo monitorando la differenza che esiste tra gli standard e la chimica umida |
| |
su base giornaliera, e anche la differenza che esiste tra metodi manuali e metodi nel vicino infrarosso, quindi i metodi automatizzati. |
| |
E vogliamo assicurarci, ad esempio, diciamo che se stiamo guardando, sai, gli standard sulla chimica umida, vogliamo puntare a un obiettivo pari a zero. Non vogliamo che ci sia alcuna differenza tra i risultati che testiamo in laboratorio e ciò che il file |
| |
standard dice che dovrebbe essere. Quindi vogliamo un obiettivo di zero e questo ci mostra che, in questo caso, dove fuori |
| |
proteine, su siero di latte in polvere demineralizzato, siamo leggermente fuori; siamo .04 e possiamo tenere traccia del profilo del nostro processo e possiamo ottenere |
| |
il processo per segnalarci che si è verificato un cambiamento di processo. Quindi nove dati ... almeno nove punti dati di seguito sopra la media, in questo caso. |
| |
E sappiamo, quindi, di interrompere il processo e di non continuare più, perché abbiamo bisogno di indagare e mettere qualcosa in atto per rettificare ... rettificare il problema, il processo cambia in questo caso. |
| |
Quindi questo è stato estremamente positivo per noi e siamo in una fase in cui abbiamo questa configurazione ora ed è in esecuzione ogni singolo giorno, e nonostante ci sia, |
| |
sai, centinaia e centinaia di centinaia, migliaia, anche a questo punto di punti dati, lo script è impostato, in modo che mostri solo gli ultimi 42 punti dati, che è l'ultima settimana di dati in qualsiasi momento, anche se il limiti di controllo sono impostati |
| |
sulla base di dati precedenti nel processo. Quindi è davvero un piacere contattare la comunità di JMP qui. In termini di |
| |
i tempi di arrivo dei camion nell'attività, quindi in questo caso abbiamo 54.000 petroliere che arrivano in quattro diversi siti da mezzanotte a mezzanotte. |
| |
Ed è davvero utile darci un'idea delle diverse distribuzioni esistenti, dai tempi di consegna ai siti. E questo è importante per noi, perché non vogliamo ... vogliamo che una nave cisterna arrivi sul sito |
| |
e scaricare il latte e lasciare il sito il più rapidamente possibile. Non vogliamo avere il caso in cui abbiamo |
| |
un sacco di raggruppamento e forse in un sito, potresti avere uno scenario qui, in cui hai camion allineati dietro altri camion. Vogliamo che sia un flusso piacevole, durante l'intero processo. |
| |
E qui, puoi vedere come esempio, dalle otto del mattino alle nove, |
| |
È lì che, sai, le persone probabilmente sono andate a fare colazione. Il nostro traffico è più intenso e non ci sono molte consegne nei siti, e lo stesso qui, il traffico è più intenso la sera |
| |
e i camion sono bloccati o sono andati per ... i conducenti sono andati a cena e così via. Quindi siamo in grado di scavare un po 'più a fondo e dire ok per ciascuno dei diversi siti, quindi due siti, in questo caso Clonmel Road e Castlefarm, |
| |
per le strade che arrivano, e questi siti sono molto vicini tra loro, per le strade che arrivano in direzione nord, sud, est e ovest, |
| |
che aspetto ha e abbiamo una chiara distribuzione tra i dati che vogliamo o |
| |
ci sono alcuni trasportatori che non effettuano consegne nelle 24 ore da est, ad esempio. E possiamo capire cosa sta succedendo e possiamo anche prendere queste informazioni, |
| |
e dì, va bene da un tasso di scarico della pompa, perché in questo caso abbiamo due siti che hanno 11 pompe che stanno scaricando |
| |
oltre mezzo miliardo di litri in due siti all'anno. |
| |
E vogliamo provare a capire quali pompe sono più o meno efficienti di altre. E, chiaramente, qui possiamo vedere che ci sono quattro pompe che hanno un tasso di scarico maggiore, |
| |
quindi sono in grado di pompare più velocemente e più latte nello stesso lasso di tempo quindi forse alcune delle altre pompe. E puoi vederlo qui |
| |
nel sito 2, la pompa numero tre è la pompa più efficiente, mentre complessivamente la pompa 4 e la pompa 3 sono le pompe meno efficienti. Quindi, se dovessimo fare una revisione di manutenzione, allora sapremmo che queste sono le pompe che devono essere revisionate per prime. |
| |
Usiamo JMP per valutare i sistemi di misurazione sia per l'eccellenza che per le opportunità, e lo facciamo, sai, |
| |
così tante volte, non riesco nemmeno più a tenerne traccia. In questo caso, guardando gli ortofosfati (?), E sai, è un Gauge R&R standard ed è davvero buono, i risultati. Quindi ecco |
| |
19 numero di categorie distinte; 19 è eccellente e Gauge R&R è 0,5, quindi meno di 10 è l'ideale e significa solo che sai che abbiamo davvero un buon |
| |
sistemi di misura costantemente affidabili. E indipendentemente dalla parte che darai a qualsiasi analista, tornerà e ti darà lo stesso risultato. |
| |
Quindi la persona che esegue il test non influenza i risultati dei test, che era ciò che si desiderava sempre vedere. |
| |
A volte possiamo avere sistemi di misurazione soggettivi e dobbiamo anche fare analisi di accordo degli attributi. |
| |
Quindi, in questo caso, stiamo cercando di conoscere valutazioni visive dei prodotti confezionati e potresti cercare qualcosa come rotondità, bordi danneggiati o goffratura |
| |
leggibilità e così via. Quindi, dopo che sono stati apportati miglioramenti, puoi vedere qui che siamo, sai, abbiamo un accordo dal 90 al 95% tra i periti. |
| |
Nel complesso, puoi vedere, il livello di accordo è dell'82% in termini di numero di parti abbinate e concordate da |
| |
all'interno di ogni ... all'interno e tra ogni operatore, ma probabilmente la cosa più importante è l'efficacia, che è l'allineamento allo standard. |
| |
E possiamo vedere qui in seguito che essere d'accordo con lo standard è ora del 96%, quindi è davvero buono. E ancora, sai che possiamo garantire che i nostri prodotti siano classificati in modo affidabile anche quando sono soggettivi. |
| |
Ovviamente possiamo anche progettare esperimenti per quantificare l'effetto di vari fattori. Quindi, in questo caso, stiamo guardando WPNI, che è l'indice di azoto delle proteine del siero di latte, quindi questo è un livello della misura di. |
| |
denaturazione delle proteine nel nostro prodotto, quindi è un'indicazione del livello di trattamento termico che il prodotto ha ottenuto e che può essere, |
| |
mi scusi, questo può essere davvero importante perché il livello di trattamento termico può influenzare l'applicazione da |
| |
dal punto di vista del cliente. Quindi, se, diciamo, è stato applicato il livello sbagliato di trattamento termico, potrebbe significare che un cliente che potrebbe voler utilizzare il nostro prodotto per trasformare, forse, yogurt, |
| |
allora il prodotto non sarebbe adatto perché potrebbe lasciare forse una sensazione granulosa, una sensazione granulosa in bocca, forse o qualcosa del genere, quindi non è adatto per un prodotto come lo yogurt. |
| |
Quindi stavamo avendo problemi con risultati incoerenti dell'indice di azoto delle proteine del siero di latte, e c'era qualche ambiguità notata nella nostra procedura, |
| |
in quanto era aperto all'interpretazione. Quindi potrebbe dire, sai scuotere qualcosa, |
| |
scuoti questa fiala, sai, potrebbe semplicemente dire scuotila, e qualcuno potrebbe dire, sì, la scuoto per cinque secondi, qualcun altro potrebbe dire, ho appena invertito 10 volte, e qualcun altro direbbe, sì, tremo vigorosamente per 30 secondi. |
| |
Quindi tutti, con le migliori intenzioni, stavano seguendo la procedura, ma se la procedura è ambigua, è aperta all'interpretazione e anche questo può portare a incongruenze. |
| |
Quindi quello che stiamo cercando di fare è progettare prove per comprendere i fattori che possono influenzare la variazione nel nostro processo. |
| |
Quindi qui abbiamo la soluzione di cloruro di sodio, quindi solo una soluzione di acqua salata, composta da una barra di partenza e senza barra di partenza. |
| |
La durata in un luogo caldo è di 45 o 60 minuti e quindi usare quella soluzione qui per, e questo piccolo piano di prova qui, eravamo ... la temperatura del bagno d'acqua è di 37 e 40 gradi, questa è una delle quattro soluzioni qui sopra codificato a colori. |
| |
E poi abbiamo gli intervalli di scuotimento del bagnomaria e il numero di gocce di penso che sia stato utilizzato anche acido cloridrico. |
| |
E ancora una volta siamo in grado di utilizzare l'esploratore interattivo per vedere quando abbiamo risultati WPNI bassi, cosa sta succedendo con il processo. Un po |
| |
è più difficile capire cosa sta succedendo qui, quindi ovviamente dobbiamo andare un po 'oltre e iniziare a costruire alcuni modelli e capire cosa sta succedendo. |
| |
I modelli qui sono abbastanza buoni in termini di punti di forza di cui stiamo parlando, la R al quadrato è solo del 68% circa. |
| |
E possiamo vedere subito che, gli effetti principali qui, l'effetto principale più grande è la temperatura del bagno d'acqua, seguita poi dalla durata della barra di agitazione e dall'effetto di interazione con la piastra riscaldante. |
| |
E possiamo anche vedere l'effetto, quale parametro sta tirando ... quale effetto sta tirando |
| |
anche il processo in quale direzione. E abbiamo anche il prezioso profiler di previsione qui in basso. Possiamo esplorare cosa sta succedendo. |
| |
Quello che mi piace, oltre al fatto che puoi usare l'output, a volte, beh, a volte uso l'output di alcuni di questi esperimenti per ... da una prospettiva educativa. |
| |
Quindi ho parlato prima, sai, che la barra di agitazione e la durata sulla piastra sono un fattore importante, e questo è un effetto di interazione, quindi questo è quando l'effetto di un fattore dipende dall'impostazione del livello di un altro. |
| |
Ma puoi, sai, puoi provare a spiegare a qualcuno su una pagina l'effetto dell'interazione; abbiamo attraversato le linee e una linea incrociata significa che c'è |
| |
forte interazione e se le linee sono parallele, ma sembra che si incroceranno, è una piccola interazione. Oppure puoi effettivamente prendere i dati e tracciarli, |
| |
e in questo caso, molte persone non hanno effettivamente visto come si presenta un'interazione con due fattori, e questo è l'aspetto di un'interazione ... un'interazione e può essere usata come ... |
| |
anche come strumento educativo. Quindi, nel nostro caso qui, abbiamo il risultato WPNI qui sul nostro asse y, mi dispiace, sì, sul nostro asse y, |
| |
durata sulla piastra a 45 minuti e 60 minuti, quindi se rimaniamo a 45 minuti, dove non abbiamo una barretta e se cambiamo ... rimaniamo con 45 minuti e siamo passati a una barretta, possiamo vedere che siamo passati da questo livello a questo livello. |
| |
Considerando che quando andiamo con 60 minuti, siamo ... Il livello WPNI è qui, senza barra di agitazione e saltiamo su una barra di agitazione, possiamo vederlo saltare giù. Così |
| |
il salto non è tanto qui quanto qui, ma subito, questo sta dimostrando che l'interazione che influenza la barra di agitazione e la durata sulla piastra riscaldante è abbastanza grande. |
| |
Ed è quello che sta succedendo, quindi ancora una volta, molta conoscenza e comprensione del processo. Possiamo anche usare alcuni strumenti di classificazione, quindi in questo caso alberi decisionali per cercare di capire. |
| |
Quindi questa è una domanda della ricerca e sviluppo in relazione alla doratura del formaggio ed è, per come sembra, è correlata alla doratura del formaggio |
| |
in forno quando il calore è applicato così poco, come sulle pizze. Quindi non vogliamo che il formaggio bruci troppo presto, quindi se è formaggio cheddar su una pizza, non vuoi che bruci troppo presto. |
| |
Vuoi che abbia un po 'di vita e la ricetta da cucinare. Quindi di nuovo, ed ecco un esempio di una classificazione, mi dispiace, un albero decisionale, dove stiamo guardando |
| |
tre diversi livelli, se gradite, imbrunimento chiaro, medio e scuro rappresentato dall'albero, il colore è verde, |
| |
rispettivamente ambra e rosso. E possiamo vedere che il pH durante la corsa è il fattore più importante qui, in particolare, se il pH durante la corsa è maggiore di 6,48, |
| |
allora possiamo vedere che il 99,3% del nostro processo avrà, sai, una leggera doratura, che è ciò che vogliamo. Il verde è buono, il rosso è cattivo. Allo stesso modo, sappiamo che siamo a rischio se il nostro pH è inferiore a 6,48 e abbiamo ... |
| |
e prendiamo i nostri campioni, quindi il formaggio nel nostro blocco, nel nostro blocco letteralmente da 20 kg, viene preso da un angolo, quindi sappiamo che abbiamo una probabilità del 31% di ottenere |
| |
doratura scura, quindi non andrà bene. Quindi da questa prospettiva, e possiamo vedere che la dimensione del file |
| |
conta che sono anche il numero di oggetti che lo stanno causando, e anche in termini di terminazione dei nodi foglia sull'albero. Quindi puoi ottenere |
| |
un buon senso di cosa sta succedendo, in termini di fattori importanti che separano meglio, in questo caso, la classificazione di doratura. |
| |
E dico foresta di bootstrap segreta qui, perché sai che penso che questo sia uno strumento sottoutilizzato all'interno di JMP e ... se capisci cosa fa un albero decisionale e come funziona, capirai che è uno strumento abbastanza potente. |
| |
E non sono sicuro, se devo essere onesto, non sono sicuro che l'algoritmo utilizzato per gli alberi decisionali, sia che si tratti di dicotomizzatore iterativo o |
| |
C 4.5 o 5.0 o qualsiasi altra cosa, ma quello che so è che lo screening dei predittori utilizza l'algoritmo dell'albero decisionale in background e utilizza la foresta bootstrap, che è |
| |
campionamento anche con sostituzione, per creare un mazzo di questi alberi e incollarli tutti insieme e poi darti i risultati medi, se vuoi, degli alberi. Quindi in questo caso, sottolineando quello, e questo è dal |
| |
esempio di tracciato parallelo in precedenza per i 30 diversi parametri della macchina, in questo caso, noterai che in realtà ce ne sono 31, |
| |
perché quando sono tornato dalla squadra, e ho detto che c'è qualcosa di diverso in questa pressione dell'aria dell'ugello e sembra essere un fattore importante e lo screening dei predittori me lo dice. |
| |
Una mano si alzò in fondo alla stanza e dissero in realtà, |
| |
di tutti i parametri, probabilmente non sarebbe quello che avrebbe dovuto essere lì perché non è davvero un parametro della macchina, l'abbiamo semplicemente bloccato in noi stessi per vedere se qualcosa sarebbe saltato fuori. |
| |
E abbastanza sicuro, questo è quello che è saltato fuori dalla pagina, quindi doveva essere estratto e valutato separatamente. |
| |
In termini di, e anche io ci sono quasi, in termini di presentazione, quindi in termini di loro |
| |
utilizzando modelli per prevedere le prestazioni future, è qui che stiamo passando dalle intuizioni alla previsione. |
| |
Ed è qui che abbiamo creato un modello che è abbastanza forte con un'efficacia del modello del 76%, sulla base di 1.438 osservazioni. |
| |
La domanda era: possiamo creare uno strumento che ci aiutasse a prevedere sia il numero di ordini che entrano in azienda in qualsiasi giorno della settimana, in qualsiasi settimana dell'anno sia |
| |
prevedere anche il numero di ordini che avremmo ricevuto ... scusate, prevedere anche le quantità di ordini che riceveremo lo stesso giorno? |
| |
Quindi siamo stati in grado di prendere tutti i dati storici e utilizzare il profiler di previsione per selezionare quale anno dal punto di vista della stagionalità è più comune a ciò che stai cercando di prevedere. |
| |
Quindi vai al mese applicabile, qualunque data desideri, e il giorno della settimana e quindi determina se è un giorno festivo o meno. |
| |
E puoi vedere qui, ho due diverse impostazioni configurate qui. Uno è per quando abbiamo un giorno festivo, uno quando non lo facciamo, e puoi vedere che c'è un significativo |
| |
anche qui l'effetto di interazione tra il giorno festivo e il giorno della settimana. Quindi possiamo tornare al business da dire |
| |
qualunque giorno della settimana, il 26 ottobre 2019, che è un giovedì e non un fine settimana festivo, ti aspetti che arrivino 120 ordini e che equivalga a poco meno di 1.100 tonnellate di prodotto in arrivo, a sua volta . |
| |
Quindi in realtà abbiamo eseguito questo in due fine settimana, un fine settimana in cui abbiamo trascorso un giorno festivo e non abbiamo avuto un giorno festivo, e in realtà era dell'85%, il che è davvero buono. Quindi, anche se il modello era del 76%, in realtà è risultato abbastanza buono. |
| |
Quindi dall'intuizione alla previsione, dove stiamo di nuovo cercando ... cercando di spiegare l'affidabilità della stagione, |
| |
abbiamo anni diversi qui, rappresentati da colori diversi, quindi 2015, 16, 17, 18 e così via. E stiamo esaminando un numero ... alcuni degli ordini di quantità di feed in arrivo |
| |
l'attività. Ogni punto rappresenta la quantità di un ordine settimanale e ciò che ho esagerato qui è che ho sovrapposto il modello previsto effettivo, in modo che il valore previsto |
| |
ciascuna di quelle settimane. E puoi vedere come è il modello in termini di accuratezza rispetto a quello effettivo, quindi effettivo rispetto a previsto. |
| |
E poi essere in grado di usare, e se devo essere sincero non ricordo ... era o una previsione esponenziale stagionale o il nostro ARIMA stagionale, |
| |
di stagione ??? media mobile metrica per determinare i prossimi sei mesi, come sarà. |
| |
E ancora una volta estremamente prezioso per la nostra attività in cui la stagionalità è una sfida, e possiamo utilizzare questi strumenti, con un alto grado di fiducia per capire quale livello di ordinazione possiamo aspettarci nell'attività futura. |
| |
E infine, e suppongo un tratto, per noi, perché non siamo entrati nella zona prima, ma reti neurali. Quindi usare le reti neurali, in questo caso, come prova per capire se possiamo classificare i sedimenti nel nostro processo. Quindi, se abbiamo risultati ADPI, allora questo è |
| |
un tampone di sedimenti e stiamo osservando una quantità di particelle possibilmente bruciate, forse da un processo di essiccazione o così via, e dove siamo? È un livello A, B, C o D? |
| |
Qui il risultato del setaccio rappresenta il numero di particelle lasciate in un setaccio e un risultato del tumbler T1B1 rappresenta la parte superiore e inferiore. |
| |
T1 rappresenta il numero di particelle che potrebbero galleggiare sull'acqua e B potrebbe rappresentare il numero di particelle sul fondo, quindi il sedimento che è affondato sul fondo. |
| |
E ancora usandolo nella rete neurale qui e con K fold cross validation, quindi penso che K sia stato impostato a 10. Ne abbiamo nove |
| |
l'attivazione funziona anche qui, credo. Sì iperbolica .... lineare, gaussiana e, credo, anche tangente iperbolica. |
| |
E possiamo usare ciascuno di questi |
| |
anche i nodi di ingresso per alimentare la nostra funzione di attivazione, e quindi abbiamo anche il nostro livello di output qui, che ci ha dato il risultato finale. Quindi siamo in grado di utilizzare, |
| |
in questo caso, 6.245 risultati a |
| |
addestrare il nostro modello e quindi, una volta convalidato utilizzando anche la convalida Cross, possiamo creare la nostra matrice di confusione qui, il che è abbastanza buono. Voglio dire, non abbiamo tanti valori in A1 / A2 |
| |
fino ai gradi B, come facciamo per A1, ma ci mostra che, sai, se abbiamo un grado A2 |
| |
che avevamo previsto che 35 di loro sarebbero stati due veri e solo due sarebbero stati A1. quindi può esserci qualche errore e l'errore può derivare da come era il modello, |
| |
sai, inizialmente creato da selezionatori che stavano cercando manualmente di valutare la differenza che esiste in ciascuno di questi se e quando |
| |
qualche ambiguità emerge nei risultati e poi si cerca di fare una chiamata finale. Quindi suppongo che la domanda qui sia: possiamo ottenere una macchina per prevedere quale sarà la chiamata finale con un buon grado di precisione? |
| |
E ancora, ci aspetteremmo che la probabilità di ottenere un grado assegnato come A1 qui sopra, si aspetterebbe che sia piuttosto alta se il risultato tumbler fosse T1B1, quasi nessun galleggiante o piombino |
| |
e se anche i risultati del setaccio fossero piuttosto bassi, in termini di quantità di particelle, allora ci aspetteremmo di avere i nostri risultati qui per A1. |
| |
Il fatto che stiamo vedendo A1 qui potrebbe indicare che l'addestramento del modello non era così efficace come avrebbe potuto essere e potrebbero esserci stati degli errori nel modello. |
| |
E ancora, puoi vedere che un modello molto ... piuttosto complesso che è stato creato qui |
| |
per questo, ma sai che è un po 'una scatola nera, come penso tutti sappiamo dal punto di vista della rete neurale. Ma ancora una volta, un'enorme quantità di conoscenza del processo e prova del concetto per noi, suppongo, proprio mentre iniziamo a spostarci verso l'intero spazio di apprendimento automatico e AI. |
| |
Quindi so di aver sparato molto alle persone, ed è stato abbastanza affrettato, e probabilmente potrei parlare per ore su tutta la faccenda e scusarmi ... scusa se si sentisse affrettata, ma quello che direi proviene solo da pensieri conclusivi prospettiva, |
| |
Penso che sia stato dimostrato che, indipendentemente dal settore in cui ti trovi, anche se esiste nel settore agricolo, che è molto lontano dal tipico ambiente di analisi dei dati, in qualsiasi settore puoi utilizzare |
| |
analisi dei dati per aggiungere valore significativo all'attività e puoi raggiungere e aiutare quasi ogni parte dell'azienda. |
| |
Inoltre, direi di non sottovalutare il valore di una semplice analisi grafica. Solo a metà di questa presentazione abbiamo iniziato a introdurre alcune delle analisi più potenti incorporate in JMP e |
| |
Penso che sia fantastico sapere come usare tutti gli strumenti fantasiosi e c'è un tempo e un luogo per farlo, ma, sai, anche semplice può essere davvero potente, e non sottovalutarne il valore. |
| |
Oltre a questo, direi grazie a tutti per l'ascolto. Lo apprezzo molto e se hai domande o commenti, ora sono più che benvenuti. Grazie. |
