Altoparlante
|
Trascrizione
|
| Kieran O'Mahony |
Ok, quindi grazie mille, mi chiamo Kieran O'Mahony e sono il responsabile della scienza e dell'analisi dei dati 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 corretto affermare 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 un'idea di come alcuni molto ... come un'azienda molto tradizionale abbia abbracciato e 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 quello che sto cercando di fare qui è meno focalizzato 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 sia importante dare un po' di informazioni sul business, una panoramica e cosa facciamo. |
| |
Quindi Dairygold è la cooperativa di proprietà di agricoltori leader in Irlanda con impianti di produzione di formaggi e polveri nutrizionali all'avanguardia situati nel cuore delle Valli dorate. |
| |
Ok, quindi solo per spiegare che, come cooperativa noi fondamentalmente... fondamentalmente intendiamo che siamo di proprietà dei fornitori di latte, quindi degli allevatori. |
| |
Quindi abbiamo 2.800 fornitori di latte che ci forniscono latte su base giornaliera e ognuno di questi 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 dell'anno scorso è stato di 1,2 miliardi di euro e abbiamo circa 1.200 dipendenti e trasformiamo circa 1,4 miliardi di litri di latte all'anno, quindi ci arriva un bel po' di latte ogni giorno. Infatti, |
| |
al picco, perché abbiamo un business stagionale, al picco di produzione si parla di oltre 6 milioni di litri di latte che arrivano giornalmente nei siti. |
| |
Abbiamo anche negozi al dettaglio, dove puoi acquistare qualsiasi cosa, da un martello a elettrodomestici e attrezzature agricole e tutto il resto. E abbiamo anche il lato agricolo dell'azienda, dove produciamo mangimi per animali nei nostri mulini. |
| |
Quindi Dairygold esiste da molto tempo, e iniziò nel 1908 come Ballyclough per poi diventare Mitchelstown nel 1919 e poi Dairygold nel 1990. |
| |
E probabilmente abbiamo fatto... beh, non probabilmente... è giusto dire che abbiamo fatto molta strada dalla consegna del latte 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, |
| |
puoi vedere un esempio qui, ogni autocisterna trasporta circa 26.000 litri di latte e raccogliamo il latte ogni giorno dai nostri 2.800 fornitori. Ed è una catena di approvvigionamento molto complessa nel senso che |
| |
non solo raccogliamo il latte dai nostri fornitori, ma raccogliamo anche il siero dai nostri impianti di lavorazione del formaggio, se non lo dirigiamo automaticamente |
| |
attraverso un tubo verso un sito diverso. Quindi lo raccogliamo anche in cisterne 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 copre cinque o sei piani. |
| |
Quindi, negli ultimi cinque o sei anni, Dairygold ha investito oltre 400 milioni negli stabilimenti, quindi è sicuro... per garantire che abbiamo... |
| |
possiamo soddisfare le esigenze della futura espansione del volume nel bacino del latte (?). In termini di prodotti che realizziamo, realizziamo |
| |
polveri e formaggio, per la maggior parte, dal latte intero in polvere al latte scremato in polvere e proteine in polvere e molti tipi diversi di formaggio, in particolare formaggio e cheddar. |
| |
E forniamo molteplici settori dalla pasticceria e pizza al salato allo yogurt e alimenti trasformati e anche latte artificiale, quindi alimenti per l'infanzia. |
| |
Ed è probabile che tu abbia... se hai mangiato 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 così tanti ingredienti alimentari. |
| |
Quindi questo è lo sfondo del business. In termini di dati, penso sia giusto dire che ci sono molte aziende là fuori che sono considerate molto ricche di dati ma povere di informazioni. |
| |
Ed è anche giusto dire che più dati hai, ea volte ciò che può comportare 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 |
| |
devi 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 di più dal lato destro del cervello, dove è focalizzato sull'uso, suppongo, di supposizioni, istinto, congetture e intuizione, |
| |
e spostandosi 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 tutto il business. |
| |
Una volta, prima di una presentazione, mi è stato chiesto di fare un riassunto sulla strategia dei dati di Dairygold e di farlo su una singola pagina, e immagino che all'epoca io... |
| |
è stato allora che ho capito che probabilmente non avevamo una solida strategia di dati in quel momento. |
| |
Ma quello che sto cercando di fare qui ora è solo mostrare in un'unica immagine qual è la nostra attuale strategia di dati ed è molto semplice. |
| |
Quindi vogliamo prendere i dati esistenti nel business e utilizzare l'analisi per trasformarli in informazioni utili. |
| |
E da queste informazioni otteniamo risposte alle domande chiave che avevamo, e a volte non solo otteniamo risposte alle domande che avevamo, ma a volte |
| |
in realtà finiamo con più domande. Ma queste sono davvero importanti e davvero potenti, perché sono domande che non sapevamo porci fin dall'inizio. |
| |
Quindi a volte dobbiamo tornare indietro e guardare 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 giusto ... mandaci mandaci nella giusta direzione. |
| |
E se comprendiamo abbastanza bene il nostro processo, abbiamo abbastanza intuizioni, allora dovremmo essere in grado di utilizzare quei dati per poterlo fare |
| |
capire cosa potrebbe potenzialmente accadere in futuro, con un alto grado di accuratezza. Quindi una buona intuizione dovrebbe consentirci anche di avere 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, a lungo lungo il percorso da una prospettiva interna, in termini di prendere decisioni basate sui nostri dati, e a questo punto stiamo iniziando nell'intera area dell'apprendimento automatico e dell'intelligenza artificiale. |
| |
Quindi sono fermamente convinto che anche la semplicità possa essere 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 che sono solo grafici a barre. |
| |
Ma a volte penso che le persone possano entrare nelle presentazioni e avere grafici a barre che si estendono su più pagine e con JMP, è così facile mettere tutte le informazioni in un unico |
| |
visualizzazione. Quindi, in questo caso, stiamo osservando l'acido nitrico in un processo di pulizia e quassù in alto, possiamo vedere ogni singolo punto dati e per ognuna di tutte le fasi di un processo di pulizia con acido nitrico. |
| |
E puoi vedere il livello di acido nitrico utilizzato in ciascuno dei passaggi. Il passo successivo che stiamo esaminando... guardando il numero di usi, quindi il numero di volte in cui quel passaggio è stato eseguito. |
| |
E qui stiamo osservando l'uso medio di acido nitrico per ciascuno dei passaggi. Quindi, come esempio, possiamo vedere che, |
| |
sai, qui abbiamo una media più alta di 24 litri a settimana utilizzati, ma la frequenza con cui si verificava quel passaggio era solo quattro volte, |
| |
ed è stato chiaramente distorto 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 ciò che era importante... ciò che era importante per noi evidenziare qui, immagino, e ancora una volta sono solo semplici grafici a barre, ma ci ha dato un'enorme direzione |
| |
nel business e ci ha mandato via...scusa, ho evitato di mandarci su una tangente perché quando abbiamo guardato tutti questi dati, possiamo vedere che |
| |
saltarono fuori tre diverse aree. Abbiamo eseguito anche il risciacquo finale, il prerisciacquo 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 coinvolgono solo acqua. |
| |
Quindi un po' di ulteriori ricerche hanno mostrato che i tag di dati errati erano stati inizialmente impostati da un fornitore sul nostro sistema di scanner(?) |
| |
per le nostre portate monitorate. Quindi, dove pensavamo di monitorare effettivamente l'uso di acido nitrico, in realtà non lo eravamo. Siamo stati informati in modo errato. COSÌ |
| |
avremmo potuto davvero andare avanti 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 business perché è così semplice. |
| |
Ma si vede... mostra quattro diverse dimensioni del tempo di inattività tutto su una pagina, davvero semplice e molto facile da usare e intuitivo da usare e leggere, credo, pure. |
| |
Quindi quello che abbiamo qui è la quantità di tempi di inattività monitorati 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 del formaggio che lo stabilimento non si fermi. Quindi questi sono numeri reali, voglio dire, stiamo monitorando i tempi di inattività in pochi minuti al mese. |
| |
Se il processo si interrompe, il pH del prodotto cambia e ciò può influire negativamente |
| |
anche il prezzo finale di vendita e la qualità del prodotto, quindi è importante non fermarci. |
| |
E quindi, questo è il livello in cui ci troviamo 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, ancora C stanno saltando fuori di nuovo, e ancora per i fazzoletti C e D. |
| |
E forse più 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 lottando 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, dovrei sottolineare, abbiamo molti laboratori all'interno dell'azienda, quindi abbiamo microbiologia, chimica, ??? laboratori, |
| |
e testiamo il latte, il formaggio, l'acqua, il prodotto in lavorazione e il prodotto finito e testiamo un numero enorme di elementi del business. |
| |
E questa funzione di collegamento interattivo che, come potete 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...scusa se sto mostrando tubi bloccati e CIP dell'evaporatore e interruzione di corrente. |
| |
E quando fai clic su interruzione di corrente, puoi vedere le aree ombreggiate delle barre verdi evidenziate. Quindi, in questo caso, vedi un'interruzione di corrente, una o più si sono verificate ad agosto. |
| |
Ha influenzato queste fasi di lavorazione qui e il microrganismo, in particolare, che è stato visto di più in quei processi era lo streptococco. |
| |
Quindi il valore qui è che quando continuiamo ad aggiungere problemi a questo repository da una prospettiva fattoriale saremo in grado di farlo |
| |
guardare 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 forse dovremo aumentare la quantità di test in questa fase o processo perché c'è un rischio maggiore di streptococco che si verifica. |
| |
A volte arrivi al punto in cui hai così tante barre che devi aggiungere, conosci la stagionalità e l'uniformità |
| |
linee anche per aggiungere più visibilità. Questa è una sfida che abbiamo nel business, che toccherò più avanti, è l'elemento stagionalità del business. |
| |
E lo siamo moltissimo, perché le mucche mangiano l'erba e l'erba viene utilizzata, 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 della barra qui è usato per rappresentare un anno diverso, quindi 2015, 16, 17, 18. |
| |
E sono anche solo i fine settimana, dovrei aggiungere, e sta guardando 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 tutti palle di neve l'un l'altro e sei settimane dopo, c'è stata un'ondata di caldo, con il divieto di erogazione dell'acqua. |
| |
Quindi è molto, molto difficile utilizzare i dati di stagionalità che dipendono effettivamente dalle condizioni meteorologiche all'interno dell'azienda, ma questa è una delle sfide che cerchiamo di superare. |
| |
Quindi, dal punto di vista delle tendenze... in linea con la prospettiva delle tendenze, utilizziamo JMP anche per l'esplorazione non orientata al progetto. Quindi ecco un esempio di 2.800 fornitori di latte in media al mese |
| |
sia i risultati di proteine che di grassi entrano nel business in un periodo di due anni. Quindi ogni segno di spunta qui rappresenta, in questo caso settembre 2018, ottobre 2018 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 in 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? |
| |
O, al contrario, ci sono altri fornitori nella parte inferiore |
| |
questo potrebbe fare con il supporto e l'aiuto dei nostri consulenti del latte perché sono costantemente incapaci di ottenere i loro livelli di proteine e 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 e questa è la sua scelta. |
| |
trame parallele. |
| |
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 proprio ora, quindi è letteralmente fresco di stampa 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, |
| |
il che significa sostanzialmente che la polvere sta bloccando gli essiccatori e i cicloni. E chiamiamo queste strozzature, OK, quindi l'attrezzatura è strozzata e dobbiamo fermare l'attrezzatura e pulirla. |
| |
Quindi quello che stiamo effettivamente guardando qui è |
| |
30 diversi parametri, 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 in un'ora prima che si verifichi il soffocamento, quindi queste sono, queste sono le impostazioni di livello, 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 strati quassù, quindi questa è effettivamente l'impronta digitale di ciò che accade, appena prima che si verifichi uno strozzamento. |
| |
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 bello, perché puoi vedere come si confrontano e anche meglio quando puoi anche sovrapporli uno sopra l'altro, e io ho ... il no choke è fantasma sullo sfondo. Quindi ora ciò che è interessante è che possiamo effettivamente vedere |
| |
in che modo lo scenario di soffocamento differisce dal non soffocamento e capisci cosa sta succedendo. Quindi, ad esempio, una domanda che viene esplorata al momento è: |
| |
sai, sembra che abbiamo livelli più bassi di qualunque cosa sia... pressione differenziale. |
| |
E per la maggior parte, quando otteniamo un soffocamento, è questo un potenziale fattore contribuente che dovremmo cercare? 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, ancora una volta, solo un esempio. |
| |
Utilizzando i dati GPS per visualizzare modelli e tendenze nella posizione dei fornitori, quindi quello che stiamo osservando qui sono i livelli di proteine a dicembre e nell'intera regione di Munster, dove si trovano tutti i nostri fornitori. E ogni punto qui rappresenta l'ubicazione di un 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. |
| |
E c'è una scala divergente qui, dove ci aspettiamo che il volume... mi dispiace che i livelli proteici siano 3,5, quindi ci interessa meno ed è ombreggiato in grigio. |
| |
Ma qualsiasi valore superiore a 3,5 è in verde, quindi... sono i ragazzi che stanno andando davvero bene, e in rosso ci sono i fornitori che forse sono, |
| |
scusatemi, forse stanno lottando un po' per aumentare i loro 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 di supporto dai nostri consulenti del latte e possiamo aiutare anche loro, quindi molto utile. |
| |
Attenendoci all'elemento geografico, siamo stati in grado di mettere a tacere anche alcuni miti secolari. Quindi questi sono i |
| |
discussioni che potrebbero aver luogo presso il 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 qui l'analogia di una pinta, una pinta di birra se vuoi. È piuttosto più di un bicchiere, credo, davvero. |
| |
E così, come tutti sanno, il latte ha proteine, grassi, lattosio, sali 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 come proteine che otteniamo nel latte dagli allevatori. |
| |
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. |
| |
Mentre paghiamo i nostri fornitori per tutte le proteine, sfortunatamente non possiamo usare tutte le proteine nel nostro processo, quindi possiamo usare solo questo pezzo qui, la vera parte, o come la vera proteina. |
| |
Quindi, a seconda del processo, può succedere che se abbiamo livelli più alti o più bassi di NPN, azoto non proteico, in un dato momento dell'anno, |
| |
quindi 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 in tutta |
| |
le località geografiche. E quello che vedete qui sono dati provenienti da 284.000 punti dati, quindi 284.000 misure di NPN, |
| |
azoto non proteico, nell'arco di un anno intero, in sei diverse regioni del Munster, nell'Irlanda meridionale. |
| |
E le linee qui rappresentano le medie e la differenza di medie che esiste di mese in mese, ma anche le medie che differiscono dal punto di vista cromatico da regione a regione. |
| |
I box plot qui rappresentano la quantità di variazione che esiste all'interno e tra, ancora una volta, ciascuna delle regioni, quindi puoi vedere chiaramente che le medie stanno seguendo |
| |
bene insieme per ogni regione e anche ogni volta che la quantità di variazione si riduce, |
| |
diciamo a luglio qui, sembra ridursi in tutte le regioni, tranne forse per 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 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 di mix e ci aiuta a comprendere le future intenzioni di volume e le sfide che i fornitori potrebbero avere nella loro azienda agricola. |
| |
E fornisce un'indicazione del sentimento da una direzione aziendale e anche da una prospettiva di investimento, da parte dei nostri membri. |
| |
Di recente abbiamo inviato oltre 100 domande a ciascuno dei nostri 2.800 fornitori e, in questo caso, la domanda che abbiamo posto è stata: quali sono i fattori che limitano la crescita nella vostra azienda agricola? |
| |
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 maggiore o minore importanza, quindi da uno a nove, quei fattori presentati loro. Quindi, come puoi immaginare, ottieni 2.800 risultati |
| |
da ciascun fornitore, ma ogni risultato ha un punteggio da uno a nove e alcuni di loro non hanno sempre ottenuto un punteggio da uno a nove, potrebbero aver ottenuto 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 dati in un'immagine chiara che rappresenta l'intera comunità agricola che riporta in 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 per l'espansione nelle loro aziende agricole. Segue poi il Fattore 5, dove il 19% ha votato come numero uno più significativo e il 23% ha votato |
| |
come numero due. Puoi vedere di nuovo i fattori che sono 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 guardando il numero di ordini effettuati per ora del giorno solo nei fine settimana |
| |
per l'alimentazione nei 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 ok, ho bisogno di più mangime. Effettuerò un ordine qui automaticamente nell'app. |
| |
E ancora, potrebbe succedere di nuovo, forse alle 12 circa e dipende dall'ora di mungitura della mandria, e così via. Ma il valore qui è che possiamo |
| |
capire quali sono i momenti più impegnativi del fine settimana per ricevere gli 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 c'è il venerdì. Forse di più |
| |
Tutto il tempo dovrebbe essere speso concentrato... e più personale dovrebbe concentrarsi sull'ottenere ordini il venerdì e forse anche il sabato mattina presto. Quindi i livelli di personale nei nostri negozi erano molto più efficaci. |
| |
Ancora una volta, mantenendo il tema del colore e, come sappiamo, analisi fantasiose, ma come noterai ci arriveremo a breve, |
| |
ma continua con 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 largo probabilmente due metri. Quindi a questo punto tutta la cagliata è stata drenata dal siero, quindi questo letto di formaggio viene schiacciato e tagliato a fette in 70 strisce. |
| |
E poi le strisce vengono tagliate in cinque blocchi e quello che abbiamo fatto è misurare l'altezza dei blocchi a sinistra, al centro ea destra. |
| |
Quindi quello che stiamo cercando di fare è ottenere un indicatore dell'altezza del letto di formaggio per questa grossa fetta di formaggio. |
| |
E una volta che siamo stati in grado di farlo, potremmo ottenere un'immagine davvero buona di ciò che sta realmente accadendo e usando il colore come guida, oltre alla larghezza del nostro letto di formaggio. |
| |
Quindi, chiaramente il rosso significa il più alto, il verde significa un po' più in basso e stiamo misurando qui in millimetri quindi è da 120 millimetri a 155 millimetri. |
| |
Chiaramente, qui puoi vedere 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 davvero importante per noi perché, dal punto di vista della variabilità, quello che stiamo cercando di capire è se c'è un diverso... perché c'è una differenza nei blocchi... |
| |
nel peso dei blocchi destinati al nostro processo? Questo indica praticamente 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... 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 più nell'analisi, suppongo, guarda, abbiamo usato molto il controllo dei processi statistici in tutta l'azienda e per, |
| |
sai, cerca opportunità e verifica miglioramenti. Qui stiamo esaminando l'utilizzo dell'anidride carbonica e utilizziamo l'anidride carbonica in loco nei nostri prodotti e in particolare nelle nostre polveri, |
| |
quando insaccamo le polveri per prolungare la durata di conservazione dei prodotti, che è una pratica standard nell'industria. |
| |
Quindi espelliamo tutta l'aria e aggiungiamo anidride carbonica quando riempiamo i sacchetti e, ma potete vederlo qui, e poi chiudiamo i sacchetti, ma potete 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 consumo medio di anidride carbonica è ridotto in modo significativo. Abbiamo ancora alcune sfide e forse anche uno schema emergente qui che giustifica un'indagine, ma |
| |
ci sono vantaggi (?) anche per questo genere di cose, perché fintanto che... oltre a tenere sotto controllo il nostro processo e siamo stati in grado di dimostrarlo statisticamente, 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 sta assorbendo 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 sigillarsi attorno 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 |
| |
utilizzato 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 cosa, indicherò Troy Hickey di Intel, in particolare, che è stato molto utile aiutandoci dal gruppo di utenti irlandesi. |
| |
Nella community di JMP, è fantastico quando ti rivolgi e fai una domanda, in un'area che forse stai cercando un po' di chiarezza |
| |
o magari un'area di cui non sai nulla, e per avere risposta da persone di cui non hai mai sentito parlare, risposte esperte oltre che eccellenti. |
| |
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 e un 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 demineralizzato in polvere e caseina per misurare le proteine |
| |
test nei nostri nei nostri laboratori. Abbiamo circa 30 diversi test al momento che stiamo monitorando e stiamo monitorando la differenza che esiste tra standard e 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 garantire, ad esempio, diciamo che se stiamo esaminando, 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 quello che |
| |
standard dice che dovrebbe essere. Quindi vogliamo un obiettivo pari a zero e questo ci mostra che, in questo caso, dove fuori |
| |
proteine, su polvere di siero di latte demineralizzata, 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 uno spostamento del processo. Quindi nove dati... almeno nove punti dati di fila sopra la media, in questo caso. |
| |
E sappiamo, quindi, di interrompere il processo e non continuare più, perché dobbiamo indagare e mettere in atto qualcosa 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 e funziona 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 i limiti di controllo sono impostati per |
| |
sulla base dei dati precedenti nel processo. Quindi è davvero bello entrare in contatto con la community di JMP qui. In termini di |
| |
i tempi di arrivo dei camion nell'azienda, quindi in questo caso abbiamo 54.000 autocisterne che arrivano in quattro diversi siti da mezzanotte a mezzanotte. |
| |
Ed è davvero bello darci un'idea delle diverse distribuzioni esistenti, da un tempo di consegna nei siti. E questo è importante per noi, perché non vogliamo... vogliamo che un'autocisterna arrivi sul posto |
| |
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, per cui hai camion allineati dietro altri camion. Vogliamo che sia un bel flusso, durante tutto il processo. |
| |
E qui, potete vedere come esempio, dalle otto del mattino alle nove, |
| |
è lì che, sai, probabilmente le persone sono andate a fare colazione. Il nostro traffico è più intenso e non c'è molta consegna nei siti, e lo stesso qui, il traffico è più intenso la sera |
| |
e i camion vengono fermati o se ne vanno per... gli autisti se ne vanno 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 in arrivo, e questi siti sono molto vicini tra loro, per le strade in arrivo a nord, sud, est e ovest, |
| |
che aspetto ha e stiamo avendo 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 prendere anche quelle informazioni, |
| |
e dire, 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 cercare di capire quali pompe sono più o meno efficienti di altre. E, chiaramente, possiamo vedere qui che ci sono quattro pompe che hanno un tasso di scarico più alto, |
| |
quindi sono in grado di pompare più velocemente e più latte nello stesso lasso di tempo rispetto forse ad 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 effettuare una revisione di manutenzione, allora sapremmo che queste sono le pompe che devono essere revisionate per prime. |
| |
Utilizziamo 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 tenere traccia. In questo caso, guardando gli ortofosfati (?), e sai, è un R&R di Gauge standard ed è davvero buono, i risultati. Quindi lì |
| |
19 numero di categorie distinte; 19 è eccellente e Gauge R&R è .5, quindi meno di 10 è l'ideale e significa solo che sai che abbiamo davvero bene |
| |
sistemi di misurazione in atto che sono costantemente affidabili. E indipendentemente dalla parte che consegnerai a qualsiasi analista, torneranno e ti daranno lo stesso risultato. |
| |
Quindi la persona che esegue il test non sta influenzando i risultati dei test, che era quello che vorresti sempre vedere. |
| |
A volte possiamo avere sistemi di misurazione soggettivi e dobbiamo anche eseguire analisi della concordanza degli attributi. |
| |
Quindi, in questo caso, stiamo esaminando le valutazioni visive dei prodotti confezionati e potresti cercare qualcosa come la rotondità o i bordi danneggiati o la 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% all'interno dei periti. |
| |
Complessivamente, come puoi vedere, il livello di accordo è dell'82% in termini di numero di parti abbinate e concordate |
| |
all'interno di ciascuno... all'interno e tra ciascun operatore, ma probabilmente la cosa più importante è l'efficacia, che è l'allineamento allo standard. |
| |
E possiamo vedere qui dopo che l'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 progettare anche 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 proteica nel nostro prodotto quindi è un'indicazione del livello di trattamento termico che il prodotto ha ricevuto, e che può essere, |
| |
mi scusi, questo può essere davvero importante perché il livello di trattamento termico può influire sull'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 trasformarlo, magari, in 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 riscontrando problemi con risultati incoerenti dell'indice di azoto delle proteine del siero di latte, e c'era qualche ambiguità nella nostra procedura, |
| |
in quanto era suscettibile di 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, scuoto vigorosamente per 30 secondi. |
| |
Quindi tutti, con le migliori intenzioni, stavano seguendo la procedura, ma se la procedura è ambigua, allora è suscettibile di interpretazione e anche questo può portare a incoerenza. |
| |
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 una 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 poi usando quella soluzione qui per, e questo piccolo piano di test qui, eravamo...la temperatura del bagnomaria è di 37 e 40 gradi, questa è una delle quattro soluzioni qui codificate a colori. |
| |
E poi abbiamo gli intervalli di scuotimento del bagno d'acqua e il numero di gocce di penso che sia stato usato anche l'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 dei modelli e capire cosa sta succedendo. |
| |
I modelli sono abbastanza buoni qui in termini di punti di forza di cui stiamo parlando, R al quadrato è solo del 68% circa. |
| |
E possiamo vederlo subito, gli effetti principali qui, il più grande effetto principale è la temperatura del bagno d'acqua, seguita 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 riscaldante 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 linee incrociate e linee incrociate significano che c'è |
| |
forte interazione, e se le linee sono parallele, ma sembra che stiano per incrociarsi, è una piccola interazione. Oppure puoi effettivamente prendere i dati e tracciarli, |
| |
e in questo caso, molte persone non hanno effettivamente visto com'è, sai, 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, scusa, sì, sul nostro asse y, |
| |
durata sulla piastra riscaldante a 45 minuti e 60 minuti, quindi se rimaniamo a 45 minuti, dove non abbiamo una barra di agitazione e se cambiamo... rimaniamo con 45 minuti e passiamo a una barra di agitazione, possiamo vedere che siamo saltati 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 a una barra di agitazione, possiamo vederla saltare giù. COSÌ |
| |
il salto non è tanto qui quanto qui, ma questo dimostra subito che l'interazione che influenza la barra di agitazione e la durata sulla piastra riscaldante è piuttosto grande. |
| |
Ed è quello che sta accadendo come, quindi, ancora una volta, molta conoscenza e comprensione del processo. Possiamo usare anche alcuni strumenti di classificazione, quindi in questo caso alberi decisionali per cercare di capire. |
| |
Quindi questa è una richiesta di ricerca e sviluppo in relazione alla doratura del formaggio ed è, come sembra, correlata alla doratura del formaggio |
| |
in un forno quando il calore viene 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 classificazione, scusa, un albero decisionale, dove stiamo guardando |
| |
tre diversi livelli, se vuoi, brunitura chiara, media e scura rappresentata 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, |
| |
quindi possiamo vedere che il 99,3% del nostro processo avrà, sai, una leggera doratura, che è quello che vogliamo. Il verde è buono, il rosso è cattivo. Allo stesso modo, sappiamo di essere 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 |
| |
marrone scuro, quindi non andrà bene. Quindi da questa prospettiva, e possiamo vedere che la dimensione del |
| |
anche i conteggi che sono il numero di oggetti lo stanno causando, e anche in termini di terminazione dei nodi foglia sull'albero. Quindi puoi ottenere |
| |
un buon senso di cosa sta succedendo nel tuo processo, in termini di fattori importanti che separano meglio, in questo caso, la classificazione della doratura. |
| |
E dico foresta di bootstrap nascosta qui, perché sai che penso che questo sia uno strumento sottoutilizzato all'interno di JMP e il ... se capisci cosa fa un albero decisionale e come funziona, capirai che è uno strumento piuttosto potente. |
| |
E non sono sicuro, se devo essere onesto, non sono sicuro se l'algoritmo utilizzato per gli alberi decisionali, sia esso un dicotomizzatore iterativo o |
| |
C 4.5 o 5.0 o qualunque cosa sia, ma quello che so è che lo screening dei predittori utilizza l'algoritmo dell'albero decisionale in background e utilizza la foresta di bootstrap, che è |
| |
anche il campionamento con sostituzione, per creare un gruppo di questi alberi e incollarli tutti insieme e poi darti i risultati medi, se vuoi, degli alberi. Quindi in questo caso, sottolineando che, e questo è dal |
| |
esempio di grafico parallelo precedente per i 30 diversi parametri della macchina, in questo caso, noti che in realtà ce ne sono 31, |
| |
perché quando sono tornato al team, 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 è alzata in fondo alla stanza e hanno detto in realtà, |
| |
di tutti i parametri, probabilmente non è quello che avrebbe dovuto essere lì perché non è proprio un parametro macchina, l'abbiamo semplicemente inserito in noi stessi per vedere se saltava fuori qualcosa. |
| |
E infatti, questo è quello che è saltato fuori dalla pagina, quindi doveva essere tolto e valutato separatamente. |
| |
In termini di, e ci sono quasi anch'io, in termini di presentazione, quindi in termini di loro |
| |
utilizzando modelli per prevedere le prestazioni future, è qui che passiamo dagli insight alla previsione. |
| |
Ed è qui che abbiamo creato un modello abbastanza forte con un'efficacia del modello del 76%, basato su 1.438 osservazioni. |
| |
La domanda era: possiamo creare uno strumento che ci aiuti a prevedere sia il numero di ordini che entrano in azienda in qualsiasi giorno della settimana, in qualsiasi settimana dell'anno e |
| |
prevedere anche il numero di ordini che riceveremo...scusa, 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. |
| |
E poi vai al mese applicabile, qualunque sia la data che desideri, e il giorno della settimana e poi 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 |
| |
effetto di interazione anche qui tra giorno festivo e giorno della settimana. Quindi possiamo tornare al lavoro, diciamo |
| |
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 equivarrà anche a poco meno di 1.100 tonnellate di prodotto in arrivo. |
| |
Quindi in realtà l'abbiamo eseguito per due fine settimana, un fine settimana in cui abbiamo avuto un giorno festivo e non abbiamo avuto un giorno festivo, e in realtà è stato dell'85%, il che è davvero buono. Quindi, anche se il modello era al 76%, in realtà è venuto abbastanza bene. |
| |
Quindi dall'intuizione alla lungimiranza, dove stiamo di nuovo guardando... cercando di spiegare la veridicità 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 mangime in arrivo |
| |
il business. Ogni punto rappresenta una quantità di 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 all'effettivo, quindi reale rispetto a quanto previsto. |
| |
E poi essere in grado di usare, e se devo essere onesto non ricordo... era o la 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 nel business in futuro. |
| |
E infine, e suppongo una forzatura, per noi, perché non siamo mai entrati nella zona prima, ma nelle reti neurali. Quindi usando le reti neurali, in questo caso, come prova per capire se possiamo classificare i sedimenti nel nostro processo. Quindi, se abbiamo i risultati dell'ADPI, allora è così |
| |
un cuscinetto 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 rimaste in un setaccio e un risultato del tumbler T1B1 rappresenta la parte superiore e inferiore. |
| |
T1 rappresenta il numero di particelle che potrebbero galleggiare sopra l'acqua e B potrebbe rappresentare il numero di particelle sul fondo, quindi il sedimento che è affondato sul fondo. |
| |
E di nuovo usandolo nella rete neurale qui e con la convalida incrociata K fold, quindi penso che K fosse impostato su 10. Ne abbiamo nove |
| |
funzioni di attivazione anche qui, credo. Sì, iperbolico... lineare, gaussiano e, credo, anche tangente iperbolica. |
| |
E possiamo usare ognuno di questi |
| |
anche i nodi di ingresso per alimentare la nostra funzione di attivazione, e poi 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 risulta a |
| |
addestrare il nostro modello e quindi, una volta convalidato utilizzando anche la convalida incrociata, possiamo creare qui la nostra matrice di confusione, che è anche abbastanza buona. Voglio dire, non abbiamo tanti valori in A1/A2 |
| |
fino alle classi B, come facciamo per la A1, ma è un po' come mostrarci che, sai, se abbiamo una classe A2 |
| |
che abbiamo previsto che 35 di loro sarebbero stati veri due 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 cercavano manualmente di valutare la differenza che esiste in ognuno di questi se e quando |
| |
una certa ambiguità emerge nei risultati e quindi nel tentativo di effettuare una chiamata finale. Quindi suppongo che la domanda qui sia: possiamo fare in modo che una macchina preveda quale sarà la chiamata finale con un buon grado di precisione? |
| |
E ancora, ci aspetteremmo che la probabilità di ottenere un voto assegnato come A1 quassù, sarebbe piuttosto alta se il risultato del tumbler fosse T1B1, quasi nessun floater o sinker |
| |
e se anche i risultati del setaccio fossero piuttosto bassi, in termini di quantità di particelle, 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 è stato così efficace come avrebbe potuto essere e potrebbero esserci stati degli errori nel modello. |
| |
E ancora, potete vedere che qui è stato creato un modello molto... piuttosto complesso |
| |
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 dei processi e prove di concetto per noi, suppongo, proprio mentre iniziamo a spostarci verso l'intero spazio dell'apprendimento automatico e dell'intelligenza artificiale. |
| |
Quindi so di aver sparato molto alle persone, ed è stato abbastanza affrettato, e probabilmente potrei parlare per ore dell'intera faccenda e scusarmi... mi scuso se mi è sembrato affrettato, ma quello che direi è solo dal punto di vista dei pensieri conclusivi, |
| |
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 |
| |
l'analisi dei dati per aggiungere un valore significativo all'azienda e puoi raggiungere e aiutare quasi ogni parte dell'azienda. |
| |
Inoltre, direi di non sottovalutare il valore della semplice analisi grafica. È stato solo a metà di questa presentazione che abbiamo iniziato a introdurre alcune delle analisi più potenti integrate 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 la semplicità può essere davvero potente, e non sottovalutarne il valore. |
| |
A parte questo, direi grazie a tutti per l'ascolto. Lo apprezzo molto e se hai domande o commenti, ora sono più che benvenuti. Grazie. |
