349204_zh-CN

liliconcom

回复：在Dairygold挤奶数据：从条形图到神经网络（2021-EU-30MP-735）

真的很棒的概述。 我会在后续演讲中对Dairygold接受这种方法并依靠分析工具所经历的旅程感兴趣。 该演示使它看起来似乎是当前业务运作的中心，这很棒。

 

演示者还认为，该组织生成的所有数据似乎都易于访问以进行分析，这本身就给人留下了深刻的印象，并且很可能是一个完整的演示，仅涉及该主题。 做得好！

 

 

回复：在Dairygold挤奶数据：从条形图到神经网络（2021-EU-30MP-735）

你好基兰

 

此演示稿有日记本吗？ 我非常喜欢并且对重新创建感兴趣的图表很少-该期刊肯定会帮助并帮助您了解创建这些图表的机制-谢谢

在Dairygold挤奶数据：从条形图到神经网络（2021-EU-30MP-735）

级别：中级

 

Dairygold数据科学与分析经理Kieran O'Mahony

 

在现代世界中，数据分析的使用通常与金融，医疗保健，制药，医疗设备，半导体，电子商务等行业相关联。 在同一句话中很少见到农业和分析这两个词。 本次会议将深入了解这样一家深具传统和历史的企业如何接受并鼓励使用数据分析，以确保不再将其视为被视为“数据丰富，但信息贫乏”的企业。本次会议将展示多个示例，说明如何使用JMP在Dairygold中实现更多数据驱动的决策。

 

 

自动产生的笔录...

 

扬声器	成绩单
基兰·奥马奥尼（Kieran O'Mahony）	好的，非常感谢，我叫Kieran O'Mahony，我是爱尔兰Dairygold的数据科学和分析经理。
	我演讲的题目是在Dairygold挤奶数据，从条形图到神经网络。
	因此，我认为可以公平地说，数据分析的使用通常与金融，医疗保健，制药，半导体等行业相关性更高，并且在同一句子中找到“农业”和“分析”这两个词可能很少见。
	因此，本次会议旨在深入了解传统企业如何拥抱并鼓励在整个企业中使用分析。
	因此，本次会议可能会与您在Discovery上看到的其他会议有所不同，从某种意义上说，我在这里尝试做的是减少对一个项目的关注，而是显示有关如何
	Dairygold已使用JMP在整个业务中（不仅是在制造业中）支持更多由数据驱动的决策，我认为这很重要。
	因此，在我开始之前，我认为对业务进行一些背景介绍，概述以及我们的工作很重要。
	因此，Dairygold是爱尔兰领先的农民拥有的合作社，拥有位于金谷中心的最先进的奶酪和营养粉生产设施。
	好的，只是为了解释一下，作为一个合作社，我们基本上……基本上意味着我们是牛奶供应商所有的，农场主是牛奶拥有的。
	因此，我们有2800家牛奶供应商每天为我们提供牛奶，而每个供应商都是股东，因此从原材料供应商也是公司所有者的角度来看，这种商业模式有点不寻常。
	因此，去年的营业额为12亿欧元，我们拥有约1200名员工，每年加工约14亿升牛奶，因此每天都有大量的牛奶供应给我们。 实际上，
	在高峰时期，因为我们有季节性业务，在高峰时期，我们每天要谈论的牛奶超过600万升。
	我们也有零售商店，您可以在这里买到任何东西，从锤子到家用电器，农用设备以及介于两者之间的所有物品。 我们也有农业方面的业务，我们在工厂中生产动物饲料。
	因此Dairygold已经存在了很长时间，它始于1908年的Ballyclough，然后于1919年成为Mitchelstown，然后于1990年成为Dairygold。
	而且我们可能已经来了……不太可能……可以说，我们早在几年前就已经通过马车运输牛奶了很长的路要走。
	这是一个非常传统的组织，有很多历史，但是它也是一个非常进步的组织。
	当我说我们已经走了很长一段路时，您知道我们现在拥有非常庞大的供应链，其中包括一队油轮，每个油轮，
	您可以在此处看到一个示例，每个油轮拖运大约26,000升牛奶，我们每天从2800个供应商那里收集牛奶。 从某种意义上说，这是一个非常复杂的供应链
	如果我们不自动引导，我们不仅从供应商那里收集牛奶，而且还从我们的奶酪加工厂收集乳清。
	通过管道到另一个站点。 因此，我们也将其收集在油轮中，然后运输到其他地点。
	我们对出售给其他客户的脱脂奶浓缩物和脱盐乳清浓缩物也进行了同样的处理，然后我们也有业务的粉末部分和奶酪部分也要经销。
	因此，我们也拥有欧洲一些最大的干衣机（？），您可以在这里特别看到一个横跨五到六个楼层的干衣机。
	因此，在过去的五六年中，Dairygold在各个工厂投资了超过4亿美元，因此可以确保...确保我们拥有...
	我们可以满足将来奶池中扩大容量的需求。 就我们制造的产品而言，我们制造
	从全脂奶粉到脱脂奶粉和蛋白质粉，以及许多不同类型的奶酪，尤其是奶酪和切达干酪，奶酪粉和奶酪在大多数情况下都是如此。
	我们提供从糖果和披萨到咸味食品，酸奶和加工食品，甚至婴儿配方奶粉，以及婴儿食品等多个行业。
	而且很可能您已经...如果今天不吃东西，很可能您也已经消耗了一些脱脂奶粉或全脂奶粉，因为这些天它们是如此普遍，在这么多的食品成分中。
	这就是业务的背景。 在数据方面，我认为可以公平地说，有很多业务被认为是非常丰富的数据，但是信息却很匮乏。
	公平地说，您拥有的数据越多，有时带来的混乱也就越多。
	有时候我认为可以这样说：即使您拥有所有信息并且拥有...所以您拥有大量的人口，并且您知道确切的含义是什么，
	您需要提取数据以从企业中获取有用的信息，有时企业并不完全知道如何处理这些数据。
	从Dairygold的角度来看，我们想要做的是尝试使更多的位置远离大脑的右侧，我想它的重点是使用假设，直觉，直觉，猜测和直觉，
	并更多地朝着大脑的左侧移动，而大脑则更侧重于使用逻辑，数学，推理和科学，但这就是我们想要在业务中使用更多的数据，并在整个业务中使用更多的数据驱动型决策的原因。
	在演讲之前，曾有人要求我在第一页上对Dairygold的数据策略做一个总结，然后我想...
	那时我意识到我们当时可能没有可靠的数据策略。
	但是，我现在要在这里做的只是在一张图片中展示我们的实际数据策略是什么，并且它非常简单。
	因此，我们希望获取业务中存在的数据，并使用分析将其转换为有用的信息。
	从这些信息中，我们可以得到对所遇到的关键问题的答案，有时不仅会得到对所遇到的问题的答案，而且有时
	实际上，我们最终会遇到更多问题。 但是这些确实非常重要而且功能强大，因为这些都是我们从一开始就不知道要提出的问题。
	因此，有时我们需要返回并再次查看数据，以帮助我们获得这些问题的答案。
	但是最终，当我们到达对所有问题都有答案的地步时，我们处于更好的位置，并且对我们的流程有了更多的了解。
	有了这种洞察力，我们便能够及时做出一些以数据为依据的决策，并为我们提供正确的选择……发送给我们正确的方向。
	而且，如果我们对流程有足够的了解，有足够的洞察力，那么我们应该能够使用该数据来
	高度准确地了解将来可能发生的情况。 因此，良好的洞察力也应使我们也具有良好的远见，在这里我们可以预测将要发生的情况。
	因此，正如我在开始时所说的，本演示文稿的目的是举例说明在Dairygold中使用数据的不同方式。
	我想说，从内部角度出发，就基于我们的数据做出决策而言，我们正在走很长一段路，这时我们正在进入机器学习和AI的整个领域。
	因此，我坚信简单也可以非常强大。
	这就是为什么从条形图到神经网络调用此演示文稿的原因。
	而且，我认为突出显示您可以从非常简单的分析中获取很多价值非常重要。 我想在这里分享的第一个例子就是条形图。
	但是有时候我认为人们可以进行演示，并且条形图可以跨越多个页面，而且使用JMP，将所有信息都放在一个地方就很容易了。
	看法。 因此，在这种情况下，我们正在研究清洗过程中的硝酸，在最上面，我们可以看到每个单独的数据点以及硝酸清洗过程的所有阶段中的每个阶段。
	您会看到每个步骤中使用的硝酸水平。 下一步，我们正在研究...查看使用次数，从而了解该步骤被循环的次数。
	在这里，我们正在研究每个步骤中硝酸的平均使用量。 举个例子，我们可以看到，
	您知道，我们这里每周平均使用24升汽油，但是这一步骤的发生频率只有四倍，
	并且明显受到此处异常值的影响，因此这显然是歪斜的，对我们而言可能更重要，因为我们在此处尝试做的是理解
	并减少每天，每周，每月使用的硝酸量，即每个过程步骤中整个过程中使用的硝酸总和。
	而且重要的是...我想在这里强调什么对我们很重要，这又只是简单的条形图，但它给了我们巨大的方向
	在业务上，并把我们送走了...抱歉，避免将我们送走切线，因为当我们查看所有这些数据时，我们可以看到
	三个不同的区域跳了出来。 我们进行了最终漂洗，预漂洗以及另一个最终漂洗步骤。 数据显示
	在这些漂洗步骤中使用了酸，这是不可能的，因为漂洗步骤仅涉及水。
	因此，进一步的挖掘表明，最初由供应商在我们的扫描仪（？）系统上设置了不正确的数据标签。
	用于我们监控的流量。 因此，在我们认为实际上正在监视硝酸用量的地方，实际上却没有。 我们被错误地告知。 所以
	我们本来可以深入挖掘并了解我们的流程以及推动其发展的原因，但是非常简单的条形图通常会将中心指向一个正确的方向，并且我们能够准确地了解我们业务中的实际情况。
	而且我们在业务中使用条形图，而且，老实说，这可能是我最喜欢在业务中使用条形图的一种，因为它是如此简单。
	但是它显示了……它在一页上显示了四个不同的停机时间维度，我认为也非常简单，非常人性化，并且易于使用和阅读。
	因此，我们这里要每月对奶酪厂中的停机时间进行监控。 因此，您正在此处查看Y轴的几分钟停机时间
	对于奶酪工厂内六个不同区域的每个区域，从6月到4月，5月，6月，7月，以此类推，直到9月，每个月依次降序排列，我想，按时间顺序
	对于A，B，C和D的每个班次。现在，您可能会以为分钟数太少而认为数据已经编造了，这是可以原谅的，但是从
	奶酪制造的观点认为工厂不会停止。 所以这些都是真实的数字，我的意思是我们每个月以分钟为单位监控停机时间。
	如果过程停止，则产品的pH值会发生变化，这可能会产生不利影响
	产品的最终销售价格和质量，因此请不要停下来，这一点很重要。
	因此，从维护的角度来看，这是我们所要达到的水平。 到了几分钟，很明显，我们在这里可以看到BetaVac的问题不是太多，但是对于块形成者，我们看到的是C和D班次的问题。
	还有更多关于Blockmaster上C的问题。 在传送带的这个区域中，C再次跳出，而扣板C和D再次跳出。
	这里可能还有C和D的更多问题。 因此，我们从此分析中可以得出的结论是，从维护的角度来看，班次C和D处于挣扎状态，他们需要更多的支持。
	我们特别喜欢动态链接
	JMP元素以及用于数据探索的元素。 而且，在这种情况下，我应该指出，我们公司内有很多实验室，因此我们拥有微生物学，化学学，实验室，
	我们测试牛奶，奶酪和水以及加工和制成品，并测试大量业务要素。
	就像您在此处看到的那样，该交互式链接功能被制成了交互式HTML，
	的使用是为了使整个企业中的不同人员可以构建一个存储库，然后能够查看它并与之交互。
	因此，我们在这里要做的是创建一个存储库，其中存在业务中存在的问题，因此在这种情况下，我要突出显示阻塞...对不起，我正在显示阻塞的管道和蒸发器CIP以及断电。
	当您单击停电时，您会看到绿色条的阴影区域突出显示。 因此，在这种情况下，您会看到断电，八月份发生了一次或多次停电。
	它影响了这里的这些加工阶段，尤其是微生物，在这些过程中最多见的是链球菌。
	因此，这里的价值在于，当我们从因素角度继续向该存储库添加问题时，便能够
	放眼未来，看看有什么事情发生时会对业务造成风险，因此我们知道下一次停电时，可能需要增加在此阶段或过程中的测试量，因为发生链球菌的风险更高。
	有时您到了很多杆需要添加的地步，您知道季节性和平滑度
	线，以增加更多的知名度。 这是我们在业务中遇到的挑战，我将在稍后讨论，这是业务的季节性因素。
	而且我们非常重要，因为母牛吃草，然后用草来制造牛奶，显然最终是用来制作牛奶的，而且在爱尔兰，天气是如此不可靠。
	可能是下雨天，第二天下雪，第二天是阳光，所以从季节性角度来看，这里的每种条形颜色都用来表示不同的年份，因此，2015、16、17、18。
	我还要补充一点，也就是周末，它正在查看整个周末订单的中间是否有果岭。
	您可以看到，2016年和17年有些相似，因为它们的形状为m形，而2018年则非常不同。
	举个例子，这里我们都互相扔雪球，六个星期后，发生了热浪，禁止使用水管。
	因此，非常难以使用季节性数据，该数据实际上取决于企业内部的天气状况，但这是我们试图克服的挑战之一。
	因此，从趋势...保持趋势的角度来看，我们也将JMP用于非项目驱动的勘探。 因此，这是一个示例，每月有2,800家牛奶供应商
	蛋白质和脂肪的结果都在两年内进入了业务。 因此，此处的每个刻度都代表2018年9月，2018年10月，依此类推。
	因此，它显示了我们供应商内部和供应商之间存在的差异范围。 有用的是，我们可以进行分区，我们可以特别针对这个人说，例如，为什么这个人这么高？
	而且他在脂肪和蛋白质方面一直很高，我们可以从这个供应商那里学到一些东西，我们可以带给其他供应商吗？
	或者相反，在低端还有其他供应商吗
	这可以得到我们牛奶顾问的一些支持和帮助，因为他们一直无法从牛奶中获取蛋白质和脂肪含量
	高的。这些很重要，因为这些是农民获得报酬的参数，蛋白质和脂肪的水平。
	因此，在这种情况下，尤其是这个家伙是很少选择每天只喝一次牛奶的牛奶供应商之一。
	因此，这意味着他的脂肪和蛋白质水平实际上比其他所有人都高，但是他回馈Dairygold的体积却较小，但这是他的选择。
	平行图。
	这些是我当前的最爱，因为我认为它们同时在一页上显示了这么多不同参数的大量信息。
	这是一个目前实际上正在发生的问题，因此从字面上来看，这已经成为新闻界的热点话题，而该问题实际上尚未得到解决。
	因此，我们在这里看到的是...这与流化床干燥机和旋风分离器上的间歇性粉末堵塞有关，
	这基本上意味着粉末阻塞了干燥机和旋风分离器。 我们称这些扼流圈为好，因此设备被扼流了，我们必须停止设备并清理它们。
	所以我们实际上在这里看的是
	30个不同的参数，全部在...上测量，全部显示在此处的X轴上。
	从左到右的每一行代表一分钟的时间，用于设置这30个参数中的每一个。 红色表示
	这是一小时前发生窒息的分钟数，因此，这些是您想要的60级电平设置
	发生...在任何窒息发生之前60分钟，这里的红色组代表9种不同的窒息发生。
	好的，这里没有540根链子，所以这实际上是发生窒息之前发生的事情的指纹。
	然后，当...我们要从机器参数的角度将其与典型的正常生产环境进行比较。
	这真的很好，因为您可以看到它们之间的比较，甚至可以将它们彼此叠放在一起时甚至更好，而且我知道...在后台不会出现任何阻塞。 所以现在有趣的是，我们实际上可以看到
	阻塞情况与无阻塞情况有何不同，并了解发生了什么情况。 例如，目前正在探讨的一个问题是，
	您知道，无论这是什么……差压，我们的水平似乎都较低。
	在大多数情况下，当我们窒息时，这是否是我们应该关注的潜在促成因素？ 是这引起的吗？ 因为典型的订单操作
	当压差良好时，此处的参数也很高。 再说一次，只是一个例子。
	使用GPS数据可视化供应商位置的模式和趋势，因此我们在这里查看的是12月以及整个芒斯特地区（所有供应商所在的地区）的蛋白质水平。 这里的每个点代表企业中的供应商位置。
	点的大小代表供应商提供给Dairygold的牛奶量，因此，点越大意味着农场的规模越大。
	而且这里有一个不同的规模，我们期望该体积……抱歉，蛋白质水平应为3.5，因此我们对此不太感兴趣，并用灰色阴影表示。
	但是任何大于3.5的都是绿色，所以...这是做得很好的人，而红色的供应商可能是，
	对不起，可能是在努力提高蛋白质水平。 因此，在这里我们可以使用自己的数据进行联系，看看是否有供应商可能需要我们的牛奶顾问的支持，我们也可以为他们提供帮助，这非常有用。
	坚持地域因素，我们也能够消除一些古老的神话。 所以这些是
	可能在水冷却器上进行的讨论，因此有人会说NPN这件事肯定在地理上受到影响。
	NPN很难解释，因此在这里我将使用一品脱的类比，如果您愿意，可以使用一品脱的啤酒。 我想，实际上，它更像是玻璃杯。
	因此，众所周知，牛奶中含有蛋白质，脂肪，乳糖，矿物质和维生素。 现在，这些都是好东西。
	而且，还有很多其他内容，如果我们只是从整体上看蛋白质，则可以认为整个品脱是我们从农民的牛奶中获得的蛋白质。
	但是这种蛋白质可以分解成真正的蛋白质，基本上就是这里饮料的液体部分。
	这是我们可以在制造过程中实际使用的一点。 品脱的头（这里是泡沫状的）是其他东西，所以尿素和尿酸等等。
	尽管我们向供应商支付了所有蛋白质的费用，但不幸的是我们无法在过程中使用所有蛋白质，因此我们只能在这里使用此部分，真实的部分或像真实的蛋白质一样使用。
	因此，根据过程的不同，在一年中的任何给定时间，如果我们的NPN，非蛋白质氮含量较高或较低，
	那么最好将产品定向到特定站点
	现在在另一个站点上，因此我们可以采取战略措施。 问题一直是，您知道，我敢打赌，在一年中的特定时间，地理位置会影响整个地区的非蛋白质氮水平
	地理位置。 您在这里看到的是来自284,000个数据点的数据，因此有284,000个NPN量度，
	爱尔兰南部明斯特的六个不同地区，全年都含有非蛋白质氮。
	此处的线表示每个月存在的均值和均值之间的差异，还表示每个区域从颜色角度而言均不同的均值。
	此处的箱形图表示每个区域内和之间存在的变化量，因此，很明显，您可以看到平均值在以下
	每个区域之间以及每个变化量减少的时候都很好地相处，
	假设在7月份，在所有地区，除蒂珀雷里（Tipperary）的轻微异常外，其他地区的数量似乎都在减少。
	但是在大多数情况下，当一个地区的差异也增加时，则在所有地区中差异都会增加。
	因此，我们不能……我们不再需要谈论这种可能性和另一种可能性。 我们也可以通过我们的数据很快地证明和反驳理论。
	每隔五年，我们向混合供应商发送一次中线普查，这有助于我们了解供应商未来对农场的意向和挑战。
	从业务方向和投资角度，以及我们的成员，它都可以表明您的观点。
	因此，最近我们向2,800个供应商中的每个供应商发出了100多个问题，在这种情况下，我们提出的问题是，您农场的增长限制因素是什么？
	人们得到了九种选择，因此，在这种情况下，要考虑因素一到九。 因此，要求他们按照最重要或最不重要的顺序进行排名，因此，将呈现给他们的那些因素从1到9。 可以想像，您可以获得2,800个结果
	来自每个供应商的结果，但每个结果的得分都为1到9，其中有些并不总是获得1到9的得分，他们可能只获得了前三名，其他人可能是前五名或前七名。
	因此，问题是，如果您愿意，如何最好地以一张清晰的图像来表示所有25,000个数据点的所有数据，这些图像代表整个农业社区向Dairygold汇报。
	结果是...所以答案是简单的镶嵌图。 您可以在这里非常清楚地看到，在我们的供应商中，有48.8％的受访者将因素4列为最重要的因素
	限制其农场扩张的因素。 紧随其后的是因素5，其中19％的人被认为是最重要的人物，而23％的人被投票
	作为第二名。 从左到右，您可以再次看到对农民最重要的因素。
	因此，颜色在这里非常重要，我将再次与该团队一起使用分层的热图，针对另一个非常不同的部分
	零售订单。 因此，在这种情况下，我们只查看周末在一天中的时间下的订单数量
	供进我们的商店。 因此，这是2015年至2018年这四个不同年份的每个周五，周六和周日。
	并在一天中的时间发送订单。 现在，农民可以在应用程序和...上发送订单。
	他们可以按顺序响。 但是，您可以在每个星期五清楚地看到这里，
	奶牛挤奶了，一些农民出去了，正好在早上五点，我还需要更多的饲料。 我将在此自动在应用程序中下订单。
	再一次，它可能会在大约12点左右再次发生，这取决于牛群的挤奶时间，依此类推。 但是这里的价值是我们可以
	了解周末接收订单的最繁忙时间以及何时需要处理订单，这可以使我们了解
	如何最好地在整个周末拥有有效的人员配备水平，因此，在周日拥有与星期五相同数量的人员毫无意义。 Maaybe更多
	Ttme应该专注于花费...更多的员工应该专注于在周五以及也许在周六凌晨获得订单。 因此，这比我们商店的人员配置更为有效。
	同样，保持色彩主题以及我们所知的精美分析，但正如您所知，我们很快就会实现目标，
	但保持颜色主题不变，您在这里看到的是输出，其中我们以图形方式表示了一大堆奶酪。
	所以当我说大一点的时候，它的长度可能是25米，宽度可能是2米。 因此，此时所有的凝乳都已经排干了乳清，然后将这层奶酪压扁并切成70条。
	然后将这些条切成五个块，然后我们测量了左侧，中间和右侧的块的高度。
	因此，我们要尝试的是测量一块巨大的大块奶酪的奶酪床高度。
	一旦我们能够做到这一点，就可以很好地了解实际发生的情况，并使用颜色作为指导，以及奶酪床上的宽度。
	因此，显然红色表示较高，绿色表示较低，我们这里以毫米为单位进行测量，因此是120毫米至155毫米。
	显然，您可以从左上角看到这里存在一定的倾斜度
	一侧，高度较高，朝左侧和左侧下部下降，实际上床在掉落。
	所以这对我们来说真的很重要，因为从可变性的角度来看，我们试图理解的是，是否存在不同...为什么块中存在差异...
	在块的重量去我们的过程？ 这几乎表明了原因之一。 原因之一是，如果块的高度不同，
	然后逻辑将表明，如果将奶酪以相同的力压缩到相同的压力，则块的重量也将有所不同。
	因此，再次使人们更容易理解图片中的内容，尤其是如果他们对业务的分析方面不是很精通的话。
	我想，要想深入分析，我们在整个业务中都使用了统计过程控制，并且，
	您知道，寻找机会，并验证改进。 在这里，我们正在研究二氧化碳的使用，我们在产品中，特别是在粉末中，就地使用二氧化碳，
	当我们将粉末装袋以延长产品的保质期时，这是工业界的标准做法。
	因此，我们排空了空气，在装满袋子时加入了二氧化碳，但是您可以在此处看到，然后密封袋子，但是您可以在这里看到，我们有很多不同之处，特别是在2017年。
	而且我们能够控制该过程，并且能够确保到2018年生活变得非常非常不同，并且
	我们的二氧化碳平均使用量大大减少了。 我们仍然面临一些挑战，甚至可能出现一种需要进行调查的模式，但是
	这样的事情也会带来好处（因为），因为只要...不仅使我们的过程得到控制，而且能够在统计上证明这一点，我们还能够创造出一些东西。
	进行研究以有效评估粉末中二氧化碳的吸收率。
	因此，这确实很重要，因为如果我们能够了解我们的产品如何吸收二氧化碳，那么它就会带来其他好处，因此
	当脂肪吸收袋子中的二氧化碳时，会在这个密封的袋子内部产生真空，因此当它产生真空时
	袋子开始围绕粉末密封，这使粉末袋变得更加坚硬。
	因此，现在，从供应链的角度来看，它降低了风险，并使我们可以将这些袋子堆叠在托盘上进行运输和运输时的生活变得更加轻松。
	现在，就像我们要堆叠混凝土块一样，而不是试图堆叠柔软，蓬松和灵活的枕头。 这样就有了胜利，到处都是胜利。 我们有
	使用过，我绝对不是编码员，但是我们确实伸出了援助之手，并从爱尔兰用户组获得了很多帮助
	以及JMP社区... 实际上，您知道吗，我要特别指出Intel的Troy Hickey，他对帮助我们从爱尔兰用户组中脱颖而出非常有用。
	在JMP社区，当您正在寻求一个清晰的领域时，当您伸出手并提出问题时，这真是太棒了
	或您可能一无所知的区域，以及从您从未听说过的人那里得到的反馈，都是专家的反馈，而且还是出色的。
	因此，在这种情况下，我们能够使用一些JSL创建一些代码，并能够创建该代码和控制图
	格式（如果需要），为选项卡格式。 因此，在这种情况下，对于脱脂奶粉，全脂奶粉，脱盐的乳清粉和酪蛋白来测量蛋白质
	在我们实验室中进行测试。 目前，我们正在监控大约30种不同的测试，我们正在监控标准液和湿化学之间存在的差异
	每天，还有手动方法和近红外方法之间的差异，因此是自动方法。
	作为示例，我们想确保如果我们要查看的湿化学标准，我们希望将目标定为零。 我们不希望我们在实验室中测试的结果与测试结果之间存在任何差异。
	标准说应该。 因此，我们希望目标为零，这表明我们在这种情况下
	蛋白质，在脱盐的乳清粉上，我们略显不足；我们是.04，我们可以跟踪过程的概况，我们可以获得
	向我们标记已发生流程转移的过程。 因此，在这种情况下，连续有九个数据...至少在均值上方连续九个数据点。
	而且我们知道，停止该过程，不再继续，因为我们需要进行调查并采取适当措施以纠正...纠正问题，在这种情况下，过程将转移。
	因此，这对我们来说是非常有利的，我们现在处于这种设置状态，并且每天都在运行，尽管有这种情况，
	您知道，即使在此数据点的成百上千，成千上万的脚本也已设置好，因此它只显示最后的42个数据点，这是任何时候的最后一周的数据，即使控制极限设置为
	基于过程中的先前数据。 非常高兴在这里与JMP社区联系。 按照
	卡车的到来时间很重要，因此在这种情况下，从午夜到午夜，我们有54,000辆油轮到达了四个不同的地点。
	从交付时间到现场，让我们对存在的不同分布情况有一个很好的认识。 这对我们很重要，因为我们不希望...我们希望有一辆油轮到现场
	并卸掉牛奶，并尽快离开现场。 我们不想有这样的情况
	很多捆扎，也许在某个地点，您可能会遇到这种情况，即您的卡车在其他卡车后面排成一行。 我们希望它在整个过程中一直保持良好状态。
	在这里，您可以看到一个例子，从早上八点到九点，
	你知道那是人们可能去吃早餐的地方。 我们的流量比较大，到站点的运送不多，在这里，晚上的流量也比较大
	卡车被举起或驶去了……司机去吃晚饭，依此类推。 因此，我们可以对此进行更深入的研究，并针对每个不同的站点说好，所以在本例中为Clonmel Road和Castlefarm这两个站点，
	对于到达的道路，这些站点之间确实非常接近，对于到达北，南，东和西界的道路，
	它看起来像什么，我们是否在想要的数据之间进行了清晰的分配？
	例如，有没有从东部来的24小时内没有运送的运输车。 我们可以了解发生了什么，也可以获取这些信息，
	并说，从泵的卸载速度来看，是的，因为在这种情况下，我们有两个站点有11个正在卸载的泵
	每年在两个站点上的排放量超过10亿升。
	我们想尝试了解哪些泵比其他泵效率更高或更低。 而且，很明显，我们在这里可以看到有四个泵的卸载率更高，
	因此与其他一些泵相比，他们能够在相同的时间内泵出更快，更多的牛奶。 你可以在这里看到
	在站点2上，三号泵是效率最高的泵，而整体泵4和泵3是效率最低的泵。 因此，如果我们要进行维护检修，那么我们会知道这些泵首先需要检修。
	我们使用JMP来评估卓越和机遇的评估系统，我们这样做，
	如此多次，我什至无法追踪。 在这种情况下，查看正磷酸盐（？），您会知道，这是标准的量规R＆R，结果非常好。 所以那里
	19个不同的类别； 19是出色的，而Gauge R＆R是.5，所以理想的是不到10，这意味着您知道我们的产品非常好
	始终可靠的测量系统。 不管您要交给任何分析师什么部分，他们都会回来给您同样的结果。
	因此，执行测试的人员不会影响测试的结果，而这正是您一直希望看到的。
	有时我们可以拥有主观的测量系统，并且我们还需要进行属性一致性分析。
	因此，在这种情况下，我们着眼于您了解包装产品的视觉评估，并且您可能正在寻找诸如圆度或边缘损坏或压花之类的东西。
	易读性等。 因此，在进行了改进之后，您可以在此处看到我们知道，我们在评估人员中的共识是90％到95％。
	总体而言，您可以看到，按照与
	在每个...内部和每个操作员之间，但更重要的是，有效性，即与标准的一致性。
	之后我们可以看到，现在已经同意该标准的比例为96％，所以它的确很好。 同样，您知道我们可以确保我们的产品即使是主观的也能可靠地分级。
	我们显然也可以设计实验来量化各种因素的影响。 因此，在这种情况下，我们要查看的是WPNI，它是乳清蛋白氮指数，因此这是一个衡量标准。
	我们产品中的蛋白质变性，因此表明该产品已达到的热处理水平，并且可能是，
	对不起，这可能真的很重要，因为热处理水平会从以下方面影响应用
	从客户的角度来看。 因此，如果说使用了错误的热处理水平，则可能意味着某个客户可能希望使用我们的产品来制作酸奶，
	则该产品不合适，因为它可能会留下颗粒感，口感颗粒或类似的东西，因此不适用于酸奶等产品。
	因此我们遇到了乳清蛋白氮指数结果不一致的问题，并且在我们的程序中发现了一些歧义，
	因为它是开放的，可以解释。 所以它可以说，你知道要摇晃一些东西，
	摇晃这个小瓶，您可能会说，摇晃它，有人可能会说，是的，我摇晃了五秒钟，有人可能会说，我刚倒转了10次，其他人会说，是的，我大力摇了摇。 30秒。
	因此，每个人都有最好的意图遵循该程序，但是如果该程序模棱两可，则可以进行解释，这也可能导致不一致。
	因此，我们正在尝试进行设计试验，以了解可能影响过程变化的因素。
	因此，在这里我们知道了氯化钠溶液，也就是盐水，是用起始棒制成的，而没有起始棒。
	在炎热的地方的持续时间为45或60分钟，然后在此处使用该解决方案，在这里使用这个小测试计划，我们当时...水浴温度为37和40度，这是这里的四个解决方案之一颜色编码。
	然后我们有水浴摇晃的间隔和滴数，我想也是在使用盐酸。
	再一次，我们能够使用交互式资源管理器查看WPNI结果何时较低，该过程如何进行。 一点点
	理解这里发生的事情更加困难，因此显然我们需要进一步做些事情，开始构建一些模型并了解正在发生的事情。
	就我们所说的优势而言，这些模型在这里是相当不错的，R平方仅为68％。
	我们可以看到，这里的主要作用是最大的，主要作用是水浴温度，然后是搅拌棒的持续时间和热板相互作用的作用。
	我们也可以看到效果，什么参数在拉动...哪个效果在拉动
	朝哪个方向发展的过程。 在底部，我们也有有价值的预测分析器。 我们可以探索发生了什么。
	我喜欢什么，以及您可以使用输出，有时候，从教育的角度来看，有时我会使用其中一些实验的输出来...。
	因此，我早先谈到过，您知道，加热板上的搅拌棒和持续时间是一个重要因素，这是一种相互作用的影响，因此这是当一个因素的影响取决于另一个因素的水平设置时。
	但是，您可以知道，您可以尝试在页面上向某人解释交互作用。我们有交叉线和交叉线意味着有
	强烈的互动，如果线是平行的，但看起来像是要交叉，那是一次很小的互动。 或者您实际上可以获取数据并将其绘制出来，
	在这种情况下，很多人实际上并没有看到交互看起来像有两个因素，这就是交互...交互看起来像这样，它可以用作...
	作为一种教育工具。 因此，在本例中，我们在y轴上具有WPNI结果，对不起，是的，在y轴上，
	在热板上的持续时间分别为45分钟和60分钟，所以如果我们坚持45分钟，那里没有搅拌棒，并且如果我们切换...我们停留45分钟，然后切换到搅拌棒，我们可以看到我们从这个水平跳到了这个水平。
	而当我们进行60分钟时，我们... WPNI级别就在这里，没有搅拌棒，我们跳到搅拌棒，我们可以看到它跳下来。 所以
	跳跃的幅度并没有这里的那么大，但是马上就表明影响搅拌棒和加热板上的持续时间的相互作用非常大。
	这就是通过许多过程知识和理解而得到的结果。 我们还可以使用一些分类工具，因此在这种情况下可以尝试并理解决策树。
	因此，这是R＆D关于奶酪褐变的一个查询，而且听起来也与奶酪褐变有关
	在烤箱中加热时，就像在披萨上一样。 因此，我们不希望奶酪燃烧得太早，因此，如果将其作为切达干酪放在披萨上，您就不希望它燃烧得太早。
	您希望它具有一定的生命力并可以烹饪。 再说一遍，这是分类的示例，抱歉，决策树，我们正在研究
	三种不同的层次（如果您愿意），以树为代表的浅棕色，中棕色和深棕色，颜色为绿色，
	琥珀色和红色。 我们可以看到，运行时的pH值是最重要的因素，尤其是如果运行时的pH值大于6.48，
	那么我们可以看到，我们需要99.3％的过程变成浅褐色。 绿色是好的，红色是坏的。 同样，我们知道，如果我们的pH值小于6.48，我们将处于危险之中...
	然后我们取样品，所以从一个角落取走了我们这个20公斤重的奶酪块，那么我们知道我们有31％的机会得到
	黑褐色，所以效果不好。 因此，从这个角度来看，我们可以看到
	计数也是对象数量的原因，并且在树上叶子节点的终止方面也是如此。 这样你就可以
	根据最佳分离的重要因素（在本例中为褐变分类），对过程进行了很好的理解。
	我在这里说秘密引导森林，因为您知道我认为这是JMP中未充分利用的工具，...如果您了解决策树的功能以及其工作原理，那么您将了解它是一个功能强大的工具。
	而且我不确定，说实话，我不确定用于决策树的算法是迭代二分法还是迭代二分法。
	C 4.5或5.0或类似的值，但我知道的是，预测变量筛选在后台利用了决策树算法，并使用了引导森林，即
	还要进行替换采样，以创建一堆这些树并将它们粘在一起，然后根据需要提供树木的平均结果。 因此，在这种情况下，指出这一点，这是从
	前面针对30个不同机器参数的并行绘图示例，在这种情况下，您会注意到实际上有31个，
	因为当我回到团队时，我说这个喷嘴气压有些不同，这似乎是一个重要因素，预测变量的筛选告诉我。
	一只手在房间的后面举起来，他们实际上说，
	在所有参数中，可能不是应该存在的参数，因为它不是真正的机器参数，我们只是将其粘贴在自己的内部，以查看是否有任何东西会跳出来。
	可以肯定的是，这是跳出页面的那一部分，因此必须将其取出并单独进行评估。
	就表达方式而言，我也几乎在那儿，所以就它们而言
	使用模型来预测未来的业绩，这就是我们从见识到有远见的方向。
	根据1438项观察，我们在这里创建了一个模型，该模型的模型有效性高达76％。
	问题是我们是否可以构建一个工具来帮助我们预测一周中的任何一天，一年中的任何一周以及
	还可以预测我们将要收到的订单数量...对不起，还可以预测我们当天将要获得的订单数量？
	因此，我们能够获取所有历史数据，并使用预测分析器从季节性角度选择哪个年份最与您要预测的年份相同。
	然后转到适用的月份，所需的任何日期以及星期几，然后确定是否是银行假期。
	您可以在这里看到，我在这里设置了两个不同的设置。 一种是当我们有银行假期时，另一种是当我们没有银行假期时，您会发现有一个重要的假期
	银行假日和星期几之间的互动影响也是如此。 所以我们可以回到业务上
	在一周中的任何一天，即2019年10月26日，这是一个星期四而不是银行假期的周末，您预计将收到120笔订单，这也将相当于1100吨以下的产品进入。
	因此，我们实际上已经在两个周末进行了这个工作，这是一个我们有银行假期而没有银行假期的周末，实际上是85％，这确实很好。 因此，即使模型为76％，实际上它的效果还是不错的。
	然后，从洞察力到远见卓识，我们再次寻找...试图说明季节的真实性，
	我们在这里有不同的年份，用不同的颜色表示，所以2015、16、17、18等。 我们正在寻找一些...一些饲料数量订单
	这生意。 每个点代表每周的订货量，而我在这里已经超额完成的是，我已经覆盖了实际的预测模型，因此预测的值
	每个星期。 您会看到模型在实际精度上的真实性，即实际精度与预测精度之间的关系。
	然后就可以使用了，老实说，我不记得了……那是季节性的指数预报还是我们的季节性ARIMA，
	季节性???指标移动平均线来确定未来六个月的情况。
	在季节性是一个挑战的情况下，这对我们的业务又具有巨大的价值，我们可以高度自信地使用这些工具来了解我们可以预期的订单水平。
	最后，对于我们来说，我想有点儿麻烦，因为我们之前没有进入过神经网络，而是神经网络。 因此，在这种情况下，使用神经网络作为试验来了解我们是否可以在过程中对沉淀物进行分级。 因此，如果我们有ADPI结果，那么这就是
	沉积垫，我们正在查看大量可能焦化的颗粒，可能是干燥过程等产生的，我们在哪里？ 是A，B，C还是D级？
	在此，筛分结果表示筛子中残留的颗粒数，而翻转杯结果T1B1表示顶部和底部。
	T1表示可能漂浮在水面上的颗粒数量，B表示底部的颗粒数量，因此沉淀物沉入了底部。
	然后再次在神经网络中使用它，并进行K折交叉验证，所以我认为K设置为10。 我们有九个
	我认为，激活功能也在这里。 是的，双曲的...线性的，高斯的，我想也是双曲正切的。
	我们可以使用每个
	入口节点也可以输入到我们的激活函数中，然后在这里也有我们的输出层，这给了我们最终结果。 这样我们就可以使用
	在这种情况下，有6,245个结果
	训练我们的模型，然后，一旦我们也使用交叉验证进行了验证，我们就可以在这里创建我们的混淆矩阵，这也是相当不错的。 我的意思是我们在A1 / A2中没有太多的值
	下降到B级，就像我们对A1所做的那样，但这是向我们表明，如果我们确实拥有A2级
	我们预测其中的35个将是真实的两个，而只有两个将是A1。因此可能会有一些错误，并且该错误可能来自模型的状态，
	你知道的，最初是由年级的学生创建的，他们试图手动评估每种情况下是否存在差异
	结果中出现一些歧义，然后尝试进行最终确定。 因此，我想这里的问题是，我们能否获得一台机器来准确预测最终通话的结果？
	再一次，我们希望获得此处指定为A1的等级的可能性，如果不倒翁的结果是T1B1，几乎没有任何浮标或沉降片，那么该可能性会很高
	如果筛分结果也很低（就颗粒数量而言），那么我们希望这里得到的结果是A1。
	我们在这里看到A1的事实可能表明模型训练不如预期的有效，并且模型中可能存在一些错误。
	再一次，您会看到一个非常...非常复杂的模型，它是在这里创建的
	为此，但是您知道这有点黑盒子，正如我认为从神经网络的角度我们都知道的那样。 但是，我想，实际上，当我们开始逐步进入整个机器学习空间和AI时，我们会获得大量的过程知识和概念证明。
	所以我知道我向人开了很多枪，而且还很匆忙，我可能会在整个事情和道歉上说几个小时。看法，
	我认为已经证明，无论您身处哪个行业，即使是农业行业（与典型的数据分析环境相距甚远），任何行业都可以使用
	数据分析可为企业增添可观的价值，您可以接触并帮助企业的几乎每个部分。
	另外，我想说不要低估简单图形分析的价值。 到本演示文稿的一半，我们才开始介绍一些嵌入在JMP和JMP中的更强大的分析。
	我认为知道如何使用所有精美的工具真是太好了，而且还有很多时间和地点，但是，您知道，简单也可以非常强大，并且不要低估它的价值。
	除此之外，我还要说谢谢大家的聆听。 非常感谢您，如果您有任何疑问或意见，现在欢迎他们。 谢谢你。

最佳峰会爆发数据可视化回复：在Dairygold挤奶数据：从条形图到神经网络（2021-EU-30MP-735）

精彩的演讲概述了各种数据分析如何为企业提供价值。 很好地解释了用例，以及为什么这对Dairygold有价值！

回复：在Dairygold挤奶数据：从条形图到神经网络（2021-EU-30MP-735）

很棒的演讲Kieran。 您在一个小时内经历了很多-令人印象深刻！