nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

349204_zh-CN

liliconcom

从 Dairygold 获取数据：从条形图到神经网络 (2021-EU-30MP-735)

级别：中级

Kieran O'Mahony，Dairygold 数据科学与分析经理

在现代世界中，数据分析的使用通常更多地与金融、医疗保健、制药、医疗器械、半导体、电子商务等行业相关。农业和分析这两个词很少出现在同一个句子中。本次会议将深入了解这样一个拥有传统和历史的企业如何接受并鼓励使用数据分析，以确保它不再被视为“数据丰富但信息匮乏”的企业。本次会议将展示多个示例，说明 JMP 的使用如何在 Dairygold 中实现更多数据驱动的决策。

自动生成的成绩单...

扬声器	成绩单
基兰·奥马霍尼	好的，非常感谢，我叫 Kieran O'Mahony，是爱尔兰 Dairygold 的数据科学和分析经理。
	我演讲的标题是“从条形图到神经网络，从 Dairygold 获取数据”。
	因此，我认为可以公平地说，数据分析的使用通常与金融和医疗保健、制药、半导体等行业更相关，而且农业和分析这两个词出现在同一个句子中的情况可能很少见。
	因此，本次会议旨在深入了解一些非常……非常传统的企业如何接受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，我在这里尝试做的不是那么关注一个项目，而是展示如何使用多个示例
	Dairygold 使用 JMP 在整个企业（而不仅仅是制造业）中实现更多数据驱动的决策，我认为这很重要。
	因此，在开始之前，我认为有必要先介绍一下业务背景、概述以及我们的业务。
	So Dairygold 是爱尔兰领先的农民拥有的合作社，拥有最先进的奶酪和营养粉生产设施，位于黄金山谷的中心。
	好的，所以只是解释一下，作为一个合作社，我们基本上……基本上意味着我们属于牛奶供应商所有，因此属于农民所有。
	我们有 2,800 家牛奶供应商每天为我们供应牛奶，其中每一位都是股东，因此这种商业模式有点不寻常，因为原材料供应商也是企业的所有者。
	去年的营业额为 12 亿欧元，我们拥有约 1,200 名员工，每年加工约 14 亿升牛奶，因此每天都有相当多的牛奶流入我们。实际上，
	在高峰期，因为我们的业务是季节性的，所以在高峰期，每天有超过 600 万升牛奶到达工厂。
	我们还有零售店，您可以在那里购买从锤子到家用电器和农用设备以及介于两者之间的所有商品。我们也有农业方面的业务，我们在工厂生产动物饲料。
	Dairygold 已经存在很长时间了，它于 1908 年开始名为 Ballyclough，然后于 1919 年更名为 Mitchelstown，最后于 1990 年更名为 Dairygold。
	我们可能已经做到了……好吧，也许不是……可以公平地说，从多年前通过马车运送牛奶以来，我们已经走过了很长的路。
	这是一个非常传统的组织，有着悠久的历史，但也是一个非常进步的组织。
	当我说我们已经取得了长足的进步时，你知道我们现在拥有一个非常庞大的供应链，拥有一支油轮船队，每艘油轮，
	您可以在这里看到一个例子，每艘罐车运输约 26,000 升牛奶，我们每天从 2,800 家供应商收集牛奶。这是一个非常复杂的供应链
	我们不仅从供应商那里收集牛奶，而且如果我们不自动引导的话，我们还会从奶酪加工厂收集乳清
	通过管道到达不同的站点。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浓缩乳和脱盐乳清浓缩物也做了同样的事情，然后我们也有分销业务的粉末部分和奶酪部分。
	因此，我们还拥有欧洲一些最大的烘干机（？），您可以在这里看到一个特别的跨越五六层楼的烘干机。
	所以，在过去的五六年里，Dairygold 在各个工厂投资了超过 4 亿美元，所以确保……确保我们……
	可以满足未来奶池扩容的需要（？）。就我们生产的产品而言，我们生产
	粉末和奶酪，大多数情况下，从全脂奶粉到脱脂奶粉和蛋白粉以及许多不同类型的奶酪，尤其是奶酪和切达干酪。
	我们供应多个行业，从糖果和披萨到咸味食品、酸奶和加工食品，甚至还提供婴儿配方奶粉和婴儿食品。
	如果您今天吃过东西，那么您很可能也食用了一些脱脂奶粉或全脂奶粉，因为如今脱脂奶粉或全脂奶粉在许多食品成分中非常普遍。
	这就是业务的背景。就数据而言，我认为可以公平地说，有很多企业被认为数据非常丰富，但信息却很贫乏。
	公平地说，你拥有的数据越多，有时随之而来的混乱也会更多。
	有时我认为公平地说，即使你拥有所有信息并且你拥有……所以你拥有这个人口，并且你知道到底是什么
	您需要提取才能从企业中获取有用的信息，有时企业并不确切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更多地远离右脑，我认为右脑专注于使用假设、直觉、猜测和直觉，
	并更多地向左脑移动，更专注于使用逻辑、数学、推理和科学，但这是我们希望在业务中更多使用的东西，并在整个业务中使用更多数据驱动的决策。
	在一次演示之前，有人要求我对 Dairygold 的数据策略进行总结，并在一页上进行总结，我想当时，我......
	就在那时我意识到我们当时可能没有可靠的数据策略。
	但我现在想做的只是在一张图片中展示我们实际的数据策略是什么，而且非常简单。
	因此，我们希望获取业务中存在的数据并使用分析将其转化为有用的信息。
	从这些信息中我们得到了我们所遇到的关键问题的答案，有时我们不仅得到了我们所遇到的问题的答案，而且有时我们得到了我们所遇到的问题的答案
	实际上我们最终会提出更多问题。但这些确实很重要，也很强大，因为我们从一开始就不知道要问这些问题。
	所以有时我们需要回去再次查看我们的数据并帮助我们获得这些问题的答案。
	但最终，当我们找到了所有问题的答案时，我们就处于更好的位置，并且对我们的流程有了更多的了解。
	有了这种洞察力，我们就能够及时做出一些数据驱动的决策，并为我们提供正确的……让我们朝着正确的方向前进。
	如果我们足够了解我们的流程，我们有足够的洞察力，那么我们应该能够使用这些数据
	高度准确地了解未来可能发生的情况。因此，良好的洞察力也应该使我们具有良好的远见，我们可以预测将要发生的事情。
	因此，正如我在开头所说，本演示的目的是提供一些示例，说明 Dairygold 中数据使用的不同方式。
	我想说，从内部角度来看，在根据我们的数据做出决策方面，我们已经走得很远了，目前我们正开始进入机器学习和人工智能的整个领域。
	所以我坚信简单也可以非常强大。
	这就是为什么这个演示文稿被称为从条形图到神经网络。
	我认为强调您可以从非常简单的分析中提取大量价值非常重要。我想在这里分享的第一个例子是，它只是条形图。
	但有时我认为人们可以进入演示文稿并拥有跨越多个页面的条形图，并且使用 JMP，只需将所有信息放入一个单一的页面中就非常容易
	看法。因此，在这种情况下，我们正在研究清洁过程中的硝酸，在顶部，我们可以看到每个单独的数据点以及硝酸清洁过程的每个阶段。
	您可以看到每个步骤中使用的硝酸水平。我们正在考虑的下一步...查看使用次数，即该步骤的循环次数。
	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，
	你知道，我们这里平均每周使用 24 升，但该步骤发生的频率只有四次，
	显然这里的异常值有偏差，所以这显然是有偏差的，对我们来说可能更重要的是，因为我们在这里试图做的是理解
	并减少每天、每周、每月使用的硝酸量，这是整个过程中每个工艺步骤使用的硝酸量的总和。
	重要的是……我想，对我们来说重要的是在这里强调，这只是简单的条形图，但它给了我们巨大的方向
	并让我们离开...抱歉，避免让我们离题，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。我们还进行了最终漂洗、预漂洗和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，因为漂洗步骤只涉及水。
	因此，进一步挖掘表明，供应商最初在我们的扫描仪（？）系统上设置了不正确的数据标签
	对于我们监测的流量。因此，我们认为我们实际上在监测硝酸的使用情况，但实际上并没有。我们被错误地告知。所以
	我们真的可以深入挖掘并了解我们的流程以及驱动它的因素，但非常简单的条形图通常是正确的方向，我们能够准确地了解我们业务中真正发生的事情。
	我们在业务中使用条形图，老实说，这可能是我最喜欢的条形图在业务中的用途之一，因为它非常简单。
	但它显示......它在一页上显示了停机时间的四个不同维度，我认为，非常简单，非常用户友好且易于使用和阅读。
	因此，我们这里监控的是奶酪工厂每月的停机时间。所以您在此处查看 Y 轴上的停机时间分钟数
	对于奶酪工厂内六个不同区域的每一个，对于四月、五月、六月、七月等六个月的每个月，按降序排列，按时间顺序排列，我想，真的
	对于每个班次 A、B、C 和 D。现在，您可能会认为数据是编造的，因为分钟数太少了，但这确实很重要
	从奶酪制造的角度来看，工厂不会停止。所以这些是真实的数字，我的意思是我们每月监控停机时间（以分钟为单位）。
	如果该过程停止，产品的 pH 值会发生变化，这可能会产生不利影响
	最终销售价格和产品质量也是如此，所以重要的是我们不要停下来。
	因此，从维护的角度来看，这就是我们所处的水平。我们的时间缩短到了几分钟，显然我们在这里可以看到 BetaVac 没有太多问题，但对于 blockformers，我们看到了 C 和 D 班次的问题。
	这里有更多关于 Blockmaster 上的 C 的问题。在传送带的这个区域中，C 再次跳出，角撑板 C 和 D 也再次跳出。
	也许这里的 C 和 D 有更多问题。因此，我们从分析中得出的结论是，从维护角度来看，C 班和 D 班在维护方面遇到了一些困难，他们需要更多的支持。
	我们特别喜欢动态链接
	JMP 的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，我们在行业内有很多实验室，所以我们有微生物学、化学、？？？实验室,
	我们测试牛奶、奶酪、水以及加工品和成品，并测试业务的大量要素。
	正如你在这里看到的，这个交互式链接功能被制作成交互式 HTML，
	以便整个企业的不同人员可以共同构建存储库，然后能够查看它并与之交互。
	因此，我们在这里尝试做的是创建一个存储库，以便我们解决业务中存在的问题，因此在本例中，我将突出显示阻塞...抱歉，我正在显示阻塞的管道和蒸发器 CIP 和断电。
	当您单击“断电”时，您可以看到绿色条的阴影区域突出显示。所以在这种情况下，你会看到停电，八月份发生了一次或多次。
	它影响了这些加工阶段，特别是在这些过程中最常见的微生物是链球菌。
	所以这里的价值在于，当我们从因素的角度不断向这个存储库添加问题时，我们就能够
	展望未来，了解发生某些情况时对业务造成的风险，因此我们知道下次停电时，我们可能需要增加此阶段或流程中的测试量，因为发生链球菌的风险更高。
	有时你会遇到这样的情况：你有太多的酒吧，你需要添加你知道季节性和更平滑的酒吧
	线条也可以增加更多的可见性。这是我们在业务中面临的挑战，我稍后会谈到，这是业务的季节性因素。
	我们非常喜欢，因为奶牛吃草，草被使用，然后显然最终是为了制造牛奶，而且因为在爱尔兰，天气非常不稳定。
	可能有一天下雨，第二天下雪，第二天阳光明媚，所以从季节性的角度来看，这里的每个条形颜色都用来代表不同的年份，所以2015年、16年、17年、18年。
	我应该补充一点，这也只是周末，而且它正在考虑周末整体订单的绿色。
	您可以看到 2016 年和 17 年有些相似，因为它们都有这种 m 形状，而 2018 年则非常非常不同。
	举个例子，我们互相扔雪球，六周后，出现了热浪，并禁止用水管。
	因此，在业务中使用季节性数据非常非常困难，这些数据实际上取决于天气，但这是我们尝试克服的挑战之一。
	因此，从趋势来看……与趋势的角度保持一致，我们也使用 JMP 进行非项目驱动的探索。这里是 2,800 家牛奶供应商平均每月的示例
	蛋白质和脂肪的结果都在两年内进入业务。因此，这里的每个刻度线都代表 2018 年 9 月、2018 年 10 月，依此类推。
	因此，它显示了我们的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，举个例子，为什么这个人这么高？
	他的脂肪和蛋白质含量始终很高，我们是否可以从该供应商那里学到一些东西，或者可以带给其他供应商？
	或者，相反，是否还有其他处于低端的供应商
	这需要我们的牛奶顾问的一些支持和帮助，因为他们始终无法从牛奶中获取蛋白质和脂肪水平
	高的。这些很重要，因为这些是农民获得报酬的参数，即蛋白质和脂肪的水平。
	因此，在这种情况下，事实证明，这个人是极少数选择每天只挤奶一次的牛奶供应商之一。
	所以，这意味着他的脂肪和蛋白质水平实际上比其他人都高，但他回馈给 Dairygold 的量较少，但这就是他的选择。
	平行图。
	这些是我目前最喜欢的，因为我认为它们只是在一页上同时显示这么多不同参数的信息。
	这是一个现在确实正在发生的问题，所以这确实是媒体热议的话题，而且这个问题实际上还没有得到解决。
	所以我们在这里看到的是……它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堵塞了干燥机和旋风分离器。我们称这些为阻塞，好吧，所以设备被阻塞了，我们必须停止设备并清理它们。
	所以我们实际上在这里看到的是
	30 个不同的参数，全部测量...全部显示在此处的 X 轴上。
	从左到右的每条线代表这 30 个参数中每个参数的设置时间为一分钟。红色表示
	分钟是在窒息发生前一小时内的分钟，所以这些是，这些是级别设置，如果您愿意的话，为 60
	发生...任何窒息发生前 60 分钟，这里的红色组代表九种不同的窒息发生。
	好吧，这里除了 540 股之外还有什么，所以这实际上是窒息发生之前发生的事情的指纹。
	当……我们想要做的就是从机器参数的角度将其与典型的正常运行生产场景进行比较。
	这真的很好，因为你可以看到它们如何比较，甚至当你可以将它们叠加在一起时效果更好，而且我……没有窒息在背景中出现了幻影。所以现在有趣的是我们实际上可以看到
	窒息情况与无窒息情况有何不同，并了解发生了什么。举个例子，目前正在探讨的一个问题是，
	你知道，我们的压差似乎较低。
	在大多数情况下，当我们窒息时，这是我们应该注意的潜在促成因素吗？这是造成这种情况的原因吗？因为典型的订单操作
	当压差良好时参数也很高。再说一遍，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 月以及整个明斯特地区（我们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内的供应商位置。
	点的大小代表供应商向 Dairygold 提供的牛奶量，所以你知道，点越大意味着农场越大。
	这里有一个不同的比例，我们期望体积……抱歉，蛋白质水平应该是 3.5，所以我们对此不太感兴趣，并且以灰色阴影显示。
	但任何大于 3.5 的东西都是绿色的，所以……他们是做得很好的人，红色的是可能的供应商，
	对不起，他们可能正在努力提高蛋白质水平。因此，我们可以使用自己的数据来联系，看看是否有供应商可能需要我们的牛奶顾问的一些支持，我们也可以帮助他们，所以非常有用。
	坚持地理因素，我们也能够消除一些古老的神话。所以这些是
	可能会在饮水机上进行讨论，有人会说 NPN 这个东西肯定受到地理影响。
	NPN 是一件很难解释的事情，所以我将在这里使用一品脱啤酒的类比，如果你愿意的话，一品脱啤酒。我认为它更像是一块玻璃。
	因此，众所周知，牛奶含有蛋白质、脂肪、乳糖、矿物质、维生素。现在，这些都是好事。
	而且，里面还有很多其他的东西，如果我们只从整体上看蛋白质，你可以认为整品脱都是我们从农民的牛奶中获得的蛋白质。
	但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。
	我们可以在制造过程中实际使用这一点。品脱的泡沫，这里的泡沫，是其他物质，尿素和尿酸，等等。
	虽然我们向供应商支付所有蛋白质的费用，但不幸的是，我们无法在我们的过程中使用所有蛋白质，因此我们只能在这里使用这一部分，真正的部分，或者像真正的蛋白质一样。
	因此，根据过程的不同，如果我们在一年中的任何特定时间有更高或更低的 NPN（非蛋白氮）水平，
	那么最好将该产品定向到特定站点
	现在在另一个网站上，所以我们也许可以具有战略意义。问题一直是，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，即 284,000 个 NPN 度量，
	爱尔兰南部明斯特六个不同地区全年的非蛋白氮。
	这里的线条代表了每个月存在的均值和均值差异，而且还代表了不同地区从颜色角度来看不同的均值。
	这里的箱线图代表了每个区域内部和之间存在的变化量，如此清晰，您可以看到平均值如下
	每个区域之间以及变化量减少的任何时候彼此都很好地配合，
	假设在 7 月份，所有地区的发病率似乎都在下降，但蒂珀雷里可能略有异常。
	但在大多数情况下，当一个地区的变异增加时，所有地区的变异也会增加。
	所以我们不能再……我们不再需要谈论这个和另一个的潜力。我们也能够用我们的数据快速证明和反驳理论。
	每五年，我们都会向我们的混合供应商发送中线（？）人口普查，这有助于我们了解供应商未来的产量意向和供应商可能在其农场面临的挑战。
	它从业务方向和投资角度以及我们的会员的角度表明了情绪。
	因此，最近我们向 2,800 家供应商中的每家都发出了 100 多个问题，在本例中，我们提出的问题是，你们农场的生长限制因素是什么？
	人们有九个选择，所以在这种情况下，因子一到九。因此，他们被要求按照最重要或最不重要的顺序对呈现给他们的这些因素进行排名，从一到九。正如您可以想象的那样，您会返回 2,800 个结果
	来自每个供应商，但每个结果都有一到九的分数，其中一些并不总是得分一到九，他们可能只达到了前三名，其他人可能达到了前五名或前七名或其他什么。
	所以问题是，如果您愿意的话，如何才能在一张清晰的图片中最好地表示所有这些数据（即 25,000 个数据点），该图片代表向 Dairygold 报告的整个农业社区。
	结果是......所以这里的答案只是一个马赛克图。您可以在这里非常清楚地看到，我们供应商中 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% 的人投票为最重要的第一，23% 的人投票为第一
	作为第二名。当我们从左到右时，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，我正在与该团队一起使用分层热图，再次，针对一个非常不同的部分
	零售订单。因此，在本例中，我们仅查看周末按一天中不同时间下的订单数量
	为我们的商店提供原料。这是 2015 年至 2018 年四个不同年份每年的周五、周六和周日。
	以及一天中订单发送的时间。现在农民可以通过应用程序发送订单......或者
	他们可以按顺序响铃。但周五你可以清楚地看到这里，你知道，当第一个
	奶牛挤奶时，一些农民早上五点就出去，说好吧，我需要更多饲料。我将在应用程序中自动下订单。
	再说一次，它可能会再次发生，也许在 12 点左右，这取决于牛群的挤奶时间，等等。但这里的价值在于我们可以
	了解周末什么时候接订单最忙，什么时候需要处理订单，可以让我们了解
	如何最好地在周末保持有效的人员配备水平，因此周日与周五的人数相同是没有意义的。也许更多
	我应该集中精力……并且应该将更多的人员集中在周五甚至周六早上的订单上。因此，我们商店的人员配备水平更加有效。
	再次强调，与颜色主题保持一致，正如我们所知，花哨的分析，但正如你所注意到的，我们很快就会到达那里，
	但保持颜色主题，您在这里看到的是我们以图形方式表示一大块奶酪的输出。
	所以当我说大时，它的长度可能是 25 米，宽度可能是 2 米。此时所有凝乳中的乳清均已排出，然后将这层奶酪压扁并切成 70 条。
	然后将条带切成五个块，然后我们所做的是测量左侧、中间和右侧块的高度。
	所以我们要做的是测量这块巨大奶酪的奶酪床的高度。
	一旦我们能够做到这一点，我们就可以很好地了解实际发生的情况，并使用颜色作为指导，以及奶酪床的宽度。
	所以，显然红色意味着更高，绿色意味着更低，我们在这里以毫米为单位进行测量，所以它是 120 毫米到 155 毫米。
	显然，你可以在这里看到，当你从左上角开始时，有一点斜坡
	一侧，左侧和左下侧的高度较高，床实际上正在掉落。
	所以这对我们来说非常重要，因为从可变性的角度来看，我们想要理解的是，是否存在不同......为什么块中存在差异......
	进入我们流程的块的重量？这几乎说明了原因之一。原因之一是如果块的高度不同，
	那么逻辑将表明，如果奶酪被相同的力压缩到相同的程度，那么块的重量也会不同。
	因此，人们更容易在图片中理解这一点，特别是如果他们不太熟悉业务的分析方面。
	我想，更深入地进行分析，我们在整个业务中大量使用了统计流程控制，并且，
	你知道，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情况，我们在我们的产品中，特别是在我们的粉末中使用二氧化碳，
	当我们将粉末装袋以延长产品的保质期时，这是行业的标准做法。
	因此，当我们填充袋子时，我们会排出所有空气并添加二氧化碳，但是你可以在这里看到，然后我们密封袋子，但是你可以在这里看到，我们有很多变化，特别是在 2017 年。
	我们能够控制这个过程，我们能够确保到 2018 年，生活会变得非常非常不同，
	我们的二氧化碳平均使用量显着减少。我们仍然面临一些挑战，甚至可能还会出现一种值得调查的模式，但是
	这类事情也有好处，因为只要......除了让我们的流程受到控制并能够在统计上证明相同之外，我们还能够创建一些
	研究还有效评估了我们的粉末吸收二氧化碳的速度。
	所以，这非常重要，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优势，所以其中之一是
	当脂肪吸收袋子中的二氧化碳时，它会在这个密封袋内部产生真空，因此当它产生真空时
	袋子开始在粉末周围密封，这使得粉末袋更加坚硬。
	因此，现在，从供应链的角度来看，当我们可以将这些袋子堆放在托盘上进行运输和运输时，它可以降低风险并使生活变得更轻松。
	现在，我们就像是在堆放混凝土块，而不是尝试堆放柔软、蓬松且有弹性的枕头。所以，胜利就是胜利，一切都是胜利。我们有
	用过，我绝对不是编码员，但我们确实已经与爱尔兰用户组联系并获得了很多帮助
	以及 JMP 社区... 事实上，你知道吗，我要特别指出英特尔的 Troy Hickey，他非常有用地帮助我们摆脱了爱尔兰用户群体的困境。
	在 JMP 社区，当您在您可能正在寻求澄清的领域提出问题时，这真是太棒了
	或者也许是您一无所知的领域，并从您从未听说过的人那里得到答复，专家的答复以及出色的答复。
	因此，在本例中，我们能够使用一些 JSL 创建一些代码，并且我们能够创建此控制图
	格式，如果您愿意的话，它是选项卡式格式。所以在这种情况下，对于脱脂奶粉、全脂奶粉、脱盐乳清粉和酪蛋白来测量蛋白质
	在我们的实验室进行测试。目前我们正在监控大约 30 种不同的测试，我们正在监控标准和湿化学之间存在的差异
	每天，以及手动方法和近红外方法之间存在的差异，因此自动化方法。
	举例来说，我们希望确保，如果我们正在研究湿化学标准，我们希望以零为目标。我们不希望实验室测试的结果与实际测试的结果有任何差异。
	标准说应该是这样。所以我们想要一个零目标，这向我们表明，在这种情况下，
	蛋白质，在脱盐乳清粉方面，我们略有不足；我们是 .04，我们可以跟踪我们流程的概况，我们可以得到
	向我们标记已发生流程转变的流程。因此，九个数据……在本例中，至少连续九个数据点高于平均值。
	然后我们知道，要停止这个过程，不再继续，因为我们需要调查并采取一些措施来纠正……纠正问题，在这种情况下是过程转变。
	所以这对我们来说是非常积极的，我们现在已经有了这个设置，它每天都在运行，尽管有，
	你知道，成百上千的数据点，即使在这一点上，脚本也被设置为只显示最后 42 个数据点，即任何一个时间的上周数据，即使控制限制设置为
	基于流程中之前的数据。在这里联系 JMP 社区真是太好了。按照
	卡车到达时间影响业务，因此在这种情况下，我们有 54,000 辆油罐车从午夜到午夜到达四个不同的地点。
	让我们了解现有的不同发行版（从交付到站点的时间）真的很好。这对我们来说很重要，因为我们不想……我们希望有一艘油轮来到现场
	并尽快卸下牛奶并离开现场。我们不想出现这样的情况
	大量聚集，也许在某个地点，您可能会遇到这样的情况，即您的卡车排在其他卡车后面。我们希望它是一个很好的流程，贯穿整个过程。
	在这里，你可以看到一个例子，早上八点到九点，
	你知道，人们可能就是在那里吃早餐的。我们的交通比较繁忙，没有那么多的送货到站点，这里也是如此，晚上的交通比较繁忙
	卡车被滞留或消失……司机去吃晚饭等等。因此，我们能够更深入地研究这一点，并对每个不同的站点都说好，所以两个站点，在本例中是 Clonmel Road 和 Castlefarm，
	对于到达的道路，而且这些站点彼此非常接近，对于到达北、南、东、西方向的道路，
	它是什么样的？我们想要的数据是否有清晰的分布？
	例如，是否有一些运输公司无法从东部地区进行 24 小时送货？我们可以了解正在发生的事情，我们也可以获取这些信息，
	并说，从泵卸载率来看还可以，因为在本例中，两个站点有 11 个正在卸载的泵
	每年两个地点的产量超过 5 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，我们可以在这里看到有四个泵具有更高的卸载率，
	因此，与其他一些吸奶器相比，它们能够在相同的时间内吸出更快、更多的乳汁。你可以在这里看到
	在站点 2 上，三号泵是效率最高的泵，而总体而言，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，那么我们就会知道这些是需要首先检修的泵。
	我们使用 JMP 来评估衡量系统的卓越性和机会，我们这样做，你知道，
	很多次，我什至都无法再跟踪了。在这种情况下，看看正磷酸盐（？），你知道，这是一个标准的计量 R&R，结果非常好。所以有
	19 个不同类别； 19 非常好，仪表 R&R 为 0.5，因此小于 10 是理想的，这仅意味着您知道我们真的有很好的
	始终可靠的测量系统。无论您将向分析师提供什么部分，他们都会回来并给您相同的结果。
	因此，执行测试的人不会影响测试结果，而这正是您始终希望看到的。
	有时我们可以有主观测量系统，我们也需要进行属性一致性分析。
	因此，在这种情况下，我们正在查看您对包装产品的视觉评估，您可以寻找诸如圆度或损坏的边缘或压花之类的东西
	易读性等。因此，在进行改进之后，您可以在这里看到，我们在评估师中达成了 90% 到 95% 的一致意见。
	总体而言，您可以看到，就匹配和同意的零件数量而言，一致程度为 82%
	在每个运营商内部和每个运营商之间，但可能更重要的是有效性，即与标准的一致性。
	之后我们可以看到，现在同意该标准的比例达到了 96%，所以这非常好。再说一遍，您知道我们可以确保我们的产品得到可靠的评级，即使它们是主观的。
	显然，我们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，我们关注的是 WPNI，即乳清蛋白氮指数，因此这是一个衡量水平。
	我们产品中的蛋白质变性，因此它表明了产品经过的热处理水平，这可以是，
	对不起，这非常重要，因为热处理水平会影响应用
	从客户的角度来看。因此，如果，比方说，应用了错误的热处理水平，这可能意味着客户可能想要使用我们的产品来制作酸奶，
	那么该产品就不适合，因为它可能会留下颗粒感，颗粒感，也许什么，所以它不适合酸奶这样的产品。
	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注意到了一些含糊之处，
	因为它可以进行解释。所以它可能会说，你知道摇动一些东西，
	摇动这个小瓶，你知道，它可能只是说摇动它，有人可能会说，是的，我摇动它五秒钟，其他人可能会说，我只是倒立了 10 次，其他人可能会说，是的，我剧烈摇动 30 秒。
	因此，每个人都怀着最好的意愿遵循该程序，但如果该程序含糊不清，那么它就可以进行解释，这也可能导致不一致。
	因此，我们正在尝试做的是设计试验，以了解可能影响我们流程变化的因素。
	所以在这里我们有你知道的氯化钠溶液，所以只是盐水溶液，由起始棒和无起始棒组成。
	在炎热的地方的持续时间是 45 或 60 分钟，然后在这里使用该解决方案，以及这里的这个小测试计划，我们...水浴温度是 37 度和 40 度，这是这里用颜色编码的四种解决方案之一。
	然后我们有水浴摇动间隔和我认为也使用了盐酸的滴数。
	我们再次能够使用交互式资源管理器来查看何时 WPNI 结果较低以及该过程发生了什么。一点点
	更难理解这里发生了什么，所以显然我们需要更进一步，开始构建一些模型并理解正在发生的事情。
	就我们所讨论的优势而言，这些模型相当不错，R 平方仅为 68% 左右。
	我们可以直接看到，这里的主要影响，最大的主要影响是水浴温度，其次是搅拌棒持续时间和加热板相互作用效果。
	我们也可以看到效果，什么参数在拉动...哪个效果在拉动
	过程也朝哪个方向发展。我们在底部也有有价值的预测分析器。我们可以探索到底发生了什么。
	我喜欢什么，以及你可以使用输出，有时，好吧，我有时使用其中一些实验的输出......从教育的角度来看。
	所以我之前谈到，你知道，搅拌棒和在电炉上的持续时间是一个重要因素，这是一种相互作用效应，所以这是一个因素的影响取决于另一个因素的水平设置的情况。
	但是你可以，你知道，你可以尝试在页面上向某人解释交互效果；我们有交叉线，交叉线意味着有
	强相互作用，如果线是平行的，但它们看起来要交叉，那么这是一个小相互作用。或者你可以实际获取数据并将其绘制出来，
	在这种情况下，很多人实际上还没有看到，你知道，具有两个因素的交互是什么样子，这就是交互……交互的样子，它可以用作……
	也作为一种教育工具。所以，在我们的例子中，我们的 y 轴上有 WPNI 结果，抱歉，是的，在我们的 y 轴上，
	电炉上的持续时间为 45 分钟和 60 分钟，所以如果我们坚持 45 分钟，我们没有搅拌棒，如果我们切换...我们保持 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，没有搅拌条，我们跳到搅拌条，我们可以看到它跳下来。所以
	这里的跳跃没有这里那么多，但马上，这表明影响搅拌棒和电炉上持续时间的相互作用相当大。
	这就是我们所经历的，同样，大量的流程知识和理解。我们也可以使用一些分类工具，因此在这种情况下可以尝试理解决策树。
	这是研发部提出的与奶酪褐变有关的查询，正如听起来的那样，它与奶酪的褐变有关
	在烤箱中，加热时要稍微加热，就像披萨一样。所以我们不希望奶酪烧得太快，所以如果披萨上有切达奶酪，你也不希望它烧得太快。
	你希望它有一些生命力和烹饪方法。再说一次，这是一个分类的例子，抱歉，是一个决策树，我们正在看的是
	三个不同的级别，如果你喜欢的话，以树为代表的浅、中、深褐变，颜色是绿色，
	分别是琥珀色和红色。我们可以看到，跑步时的 pH 值是这里最重要的因素，特别是，如果跑步时的 pH 值大于 6.48，
	然后我们可以看到，99.3% 的流程都会呈现浅棕色，这正是我们想要的。绿色是好的，红色是坏的。同样，我们知道如果 pH 值低于 6.48，我们就会面临风险，并且我们……
	我们采集样本，所以我们块中的奶酪，实际上是 20 公斤块，是从角落里取出的，然后我们知道我们有 31% 的机会获得
	深褐色，所以不会很好。所以从这个角度来看，我们可以看到，
	计数也是导致这种情况的对象数量，并且也是树上叶节点的终止。所以你可以得到
	充分了解您的流程中正在发生的情况，了解最好分离的重要因素（在本例中为褐宁分类）。
	我在这里说隐蔽引导森林，因为你知道我认为这是 JMP 中一个未充分利用的工具，并且...如果你了解决策树的作用及其工作原理，你就会明白它是一个非常强大的工具。
	我不确定，老实说，我不确定用于决策树的算法是否是迭代二分法或
	C 4.5或5.0或其他什么，但我所知道的是预测器筛选在后台利用决策树算法并使用引导森林，这是
	也可以进行替换采样，创建一堆这些树并将它们全部粘在一起，然后为您提供树的平均结果（如果您愿意）。所以在这种情况下，指出，这是来自
	前面的平行图示例针对 30 个不同的机器参数，在本例中，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，预测因子筛选告诉我这一点。
	房间后面举起了一只手，他们实际上说，
	在所有参数中，这可能不应该在那里，因为它不是真正的机器参数，我们只是将其插入自己，看看是否会跳出任何东西。
	果然，这是跳出页面的那个，因此必须将其取出并单独评估。
	就演示而言，就它们而言，我也几乎做到了
	使用模型来预测未来的表现，这就是我们从洞察转向远见的地方。
	在这里，我们基于 1,438 个观察结果创建了一个相当强大的模型，模型有效性为 76%。
	问题是我们能否构建一个工具来帮助我们预测一周中任意一天、一年中任意一周进入业务的订单数量以及
	还预测我们会收到的订单数量...抱歉，还要预测我们当天会收到的订单数量？
	因此，我们能够获取所有历史数据并使用预测刻画器从季节性角度选择哪一年对于您尝试预测的内容最常见。
	然后转到适用的月份、您想要的任何日期以及星期几，然后确定它是否是银行假日。
	你可以在这里看到，我在这里设置了两个不同的设置。一种是当我们有银行假日时，一种是当我们没有银行假日时，你可以看到有一个显着的变化。
	银行假日和星期几之间也存在相互作用。这样我们就可以回到正题了
	无论一周中的哪一天，2019 年 10 月 26 日（周四而非银行假日周末），您预计都会收到 120 个订单，这也相当于收到的产品略低于 1,100 吨。
	所以我们实际上已经运行了两个周末，一个周末有银行假期，一个周末没有银行假期，实际上是 85%，这非常好。因此，尽管模型的准确率是 76%，但实际上它在现实中的表现相当不错。
	然后从洞察力到远见，我们再次寻找……试图解释季节的真实性，
	我们这里有不同的年份，用不同的颜色代表，所以2015年、16年、17年、18年等等。我们正在研究一些......一些饲料数量订单即将进入
	这生意。每个点代表每周的订单数量，我在这里做得太过分了，我覆盖了实际的预测模型，以便预测的值
	每一周。您可以看到模型与实际的准确度，以及实际与预测的准确度。
	然后能够使用，老实说我不记得了……要么是季节性指数预测，要么是我们的季节性 ARIMA，
	季节性？？？公制移动平均线来确定未来六个月的情况。
	这对于我们的业务来说同样具有巨大的价值，因为季节性是一个挑战，我们可以使用这些工具，充满信心地了解我们未来业务的订购水平。
	最后，我认为对我们来说是一个延伸，因为我们之前没有进入过这个区域，而是神经网络。因此，在这种情况下，使用神经网络作为尝试来了解我们是否可以对过程中的沉积物进行分级。所以如果我们有 ADPI 结果，那么这就是
	沉积物垫，我们正在观察大量可能被烧焦的颗粒，可能来自干燥过程等，我们在哪里？是A级、B级、C级还是D级？
	这里，筛子结果代表留在筛子中的颗粒数量，转筒结果 T1B1 代表顶部和底部。
	T1 代表可能漂浮在水面上的颗粒数量，B 可能代表底部的颗粒数量，即沉入水底的沉积物。
	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
	我认为这里也有激活函数。是的，双曲......线性，高斯，我想，还有双曲正切。
	我们可以使用其中的每一个
	入口节点也输入到我们的激活函数中，然后我们在这里也有输出层，这给了我们最终结果。所以我们能够使用，
	在本例中，有 6,245 个结果
	训练我们的模型，然后，一旦我们使用交叉验证进行验证，我们就可以在这里创建混淆矩阵，这也非常好。我的意思是我们在 A1/A2 中没有那么多值
	降到 B 级，就像我们对 A1 所做的那样，但这在某种程度上向我们表明，如果我们确实有 A2 级
	我们预测其中 35 名将是真正的 2 名，只有 2 名是 A1。所以可能会出现一些错误，并且错误可能来自模型的情况，
	你知道，最初是由评分者创建的，他们手动尝试评估每个条件中存在的差异，如果以及何时
	结果中出现一些含糊之处，然后尝试做出最终决定。所以我想这里的问题是，我们能否让机器高精度地预测最终的调用是什么？
	再次，我们预计在这里获得 A1 等级的概率，如果不倒翁结果为 T1B1，几乎没有任何漂浮物或沉降物，则预计它会相当高
	如果就颗粒数量而言，筛分结果也相当低，那么我们预计 A1 的结果会出现在此处。
	我们在这里看到 A1 的事实可能表明模型训练并不那么有效，并且模型中可能存在一些错误。
	再次，您可以看到这里创建了一个非常...相当复杂的模型
	为此，但你知道这有点像黑匣子，我想我们从神经网络的角度都知道这一点。但我想，当我们开始迈向整个机器学习领域和人工智能时，我们需要再次获得大量的流程知识和概念验证。
	所以我知道我向人们开了很多枪，而且相当仓促，我可能可以就整个事情说上几个小时并道歉……如果确实感觉仓促的话，我很抱歉，但我想说的只是从结论性想法的角度来看，
	我认为已经证明，无论你在哪个行业，即使是农业行业，它与典型的数据分析环境相距甚远，在任何行业中，你都可以使用
	数据分析可为业务增加显着价值，您可以接触并帮助业务的几乎每个部分。
	另外，我想说不要低估简单图形分析的价值。直到本次演示进行到一半时，我们才开始介绍 JMP 中嵌入的一些更强大的分析功能
	我认为知道如何使用所有奇特的工具并且有时间和地点使用它是很棒的，但是，你知道，简单也可以非常强大，并且不要低估它的价值。
	除此之外，我还要感谢大家的聆听。我真的很感激，如果您有任何问题或意见，我们非常欢迎。谢谢。

峰会精选

爆发

数据可视化