349204_zh-TW

liliconcom

回复：在Dairygold擠奶數據：從條形圖到神經網絡（2021-EU-30MP-735）

真的很棒的概述。 我會在後續演講中對Dairygold接受這種方法並依靠分析工具所經歷的旅程感興趣。 該演示使它看起來似乎是當前業務運作的中心，這很棒。

 

演示者還認為，該組織生成的所有數據似乎都易於訪問以進行分析，這本身就給人留下了深刻的印象，並且很可能是一個完整的演示文稿，僅涉及該主題。 做得好！

 

 

回复：在Dairygold擠奶數據：從條形圖到神經網絡（2021-EU-30MP-735）

你好基蘭

 

此演示稿有日記本嗎？ 我非常喜歡並且對重新創建感興趣的圖表很少-該期刊肯定會幫助並幫助您了解創建這些圖表的機制-謝謝

在Dairygold擠奶數據：從條形圖到神經網絡（2021-EU-30MP-735）

級別：中級

 

Dairygold數據科學與分析經理Kieran O'Mahony

 

在現代世界中，數據分析的使用通常與金融，醫療保健，製藥，醫療設備，半導體，電子商務等行業相關聯。 在同一句話中很少見到農業和分析這兩個詞。 本次會議將深入了解這樣一家深具傳統和歷史的企業如何接受並鼓勵使用數據分析，以確保不再將其視為被視為“數據豐富，但信息貧乏”的企業。本次會議將展示多個示例，說明如何使用JMP在整個Dairygold中實現更多數據驅動的決策。

 

 

自動產生的筆錄...

 

揚聲器	成績單
基蘭·奧馬奧尼（Kieran O'Mahony）	好的，非常感謝，我叫Kieran O'Mahony，我是愛爾蘭Dairygold的數據科學和分析經理。
	我演講的題目是在Dairygold擠奶數據，從條形圖到神經網絡。
	因此，我認為可以公平地說，數據分析的使用通常與金融，醫療保健，製藥，半導體等行業相關性更高，並且在同一句子中找到“農業”和“分析”這兩個詞可能很少見。
	因此，本次會議旨在深入了解傳統企業如何擁抱並鼓勵在整個企業中使用分析。
	因此，本次會議可能會與您在Discovery上看到的其他會議有所不同，從某種意義上說，我在這裡嘗試做的是減少對一個項目的關注，而是顯示有關如何進行的多個示例。
	Dairygold已使用JMP在整個業務中（不僅是在製造業中）支持更多由數據驅動的決策，我認為這很重要。
	因此，在我開始之前，我認為對業務進行一些背景介紹，概述以及我們的工作很重要。
	因此，Dairygold是愛爾蘭領先的農民擁有的合作社，擁有位於金谷中心的最先進的奶酪和營養粉生產設施。
	好的，只是為了解釋一下，作為一個合作社，我們基本上……基本上意味著我們是牛奶供應商所有的，農場主是牛奶擁有的。
	因此，我們有2800家牛奶供應商每天為我們提供牛奶，而每個供應商都是股東，因此從原材料供應商也是公司所有者的角度來看，這種商業模式有點不尋常。
	因此，去年的營業額為12億歐元，我們擁有約1200名員工，每年加工約14億升牛奶，因此每天都有大量的牛奶供應給我們。 實際上，
	在高峰時期，因為我們有季節性業務，在高峰時期，我們每天要談論的牛奶超過600萬升。
	我們也有零售商店，您可以在這裡購買任何東西，從錘子到家用電器，農用設備以及介於兩者之間的所有物品。 我們也有農業方面的業務，我們在工廠中生產動物飼料。
	因此Dairygold已經存在了很長時間，它始於1908年的Ballyclough，然後於1919年成為Mitchelstown，然後於1990年成為Dairygold。
	而且我們可能已經來了……不太可能……可以說，我們早在幾年前就已經通過馬車運輸牛奶了很長的路要走。
	這是一個非常傳統的組織，有著悠久的歷史，但它也是一個非常進步的組織。
	當我說我們已經走了很長一段路時，您知道我們現在擁有非常龐大的供應鏈，其中包括一隊油輪，每個油輪，
	您可以在此處看到一個示例，每個油輪拖運大約26,000升牛奶，我們每天從2800個供應商那裡收集牛奶。 從某種意義上說，這是一個非常複雜的供應鏈
	如果我們不自動引導，我們不僅從供應商那裡收集牛奶，而且還從我們的奶酪加工廠收集乳清。
	通過管道到另一個站點。 因此，我們也將其收集在油輪中，然後運輸到其他地點。
	我們對出售給其他客戶的脫脂奶濃縮物和脫鹽乳清濃縮物也進行了同樣的處理，然後我們也有業務的粉末部分和奶酪部分也要經銷。
	因此，我們也擁有歐洲一些最大的干衣機（？），您可以在這里特別看到一個橫跨五到六個樓層的干衣機。
	因此，在過去的五六年中，Dairygold在各個工廠投資了超過4億美元，因此可以確保...確保我們擁有...
	我們可以滿足將來奶池中擴大容量的需求。 就我們製造的產品而言，我們製造
	從全脂奶粉到脫脂奶粉和蛋白質粉，以及許多不同類型的奶酪，尤其是奶酪和切達干酪，奶酪粉和奶酪在大多數情況下都是如此。
	我們提供從糖果和披薩到鹹味食品，酸奶，加工食品甚至嬰兒配方奶粉以及嬰兒食品等多個行業。
	而且很可能您已經...如果今天完全不吃東西，很可能您也已經消耗了一些脫脂奶粉或全脂奶粉，因為這些天它們是如此普遍，在這麼多的食品成分中。
	這就是業務的背景。 在數據方面，我認為可以公平地說，有很多業務被認為是非常豐富的數據，但是信息卻很匱乏。
	公平地說，您擁有的數據越多，有時帶來的混亂也就越多。
	有時候我認為可以這樣說：即使您擁有所有信息並且擁有...所以您擁有大量的人口，並且您知道確切的含義是什麼，
	您需要提取數據以從企業中獲取有用的信息，有時企業並不完全知道如何處理這些數據。
	從Dairygold的角度來看，我們想要做的是嘗試使更多的位置遠離大腦的右側，我想它的重點是使用假設，直覺，直覺，猜測和直覺，
	並更多地朝著大腦的左側移動，而大腦則更側重於使用邏輯，數學，推理和科學，但這就是我們想要在業務中使用更多，在整個業務中使用更多數據驅動型決策的目的。
	在演講之前，曾有人要求我在第一頁上對Dairygold的數據策略做一個總結，然後我想...
	那時我意識到我們當時可能沒有可靠的數據策略。
	但是，我現在要在這裡做的只是在一張圖片中展示我們的實際數據策略是什麼，並且它非常簡單。
	因此，我們希望獲取業務中存在的數據，並使用分析將其轉換為有用的信息。
	從這些信息中，我們可以得到對所遇到的關鍵問題的答案，有時不僅會得到對所遇到的問題的答案，而且有時
	實際上，我們最終會遇到更多問題。 但是這些確實非常重要而且功能強大，因為這些都是我們從一開始就不知道要提出的問題。
	因此，有時我們需要返回並再次查看數據，以幫助我們獲得這些問題的答案。
	但是最終，當我們到達對所有問題都有答案的地步時，我們處於更好的位置，並且對我們的流程有了更多的洞察力。
	有了這種洞察力，我們便能夠及時做出一些以數據為依據的決策，並為我們提供正確的選擇……發送給我們正確的方向。
	而且，如果我們對流程有足夠的了解，有足夠的洞察力，那麼我們應該能夠使用該數據來
	高度準確地了解將來可能發生的情況。 因此，良好的洞察力還應使我們也具有良好的遠見，在這裡我們可以預測將要發生的情況。
	因此，正如我在開始時所說的，本演示文稿的目的是舉例說明在Dairygold中使用數據的不同方式。
	我想說，從內部角度出發，就基於我們的數據進行決策而言，我們正在走很長的路要走，這時我們正在進入機器學習和AI的整個領域。
	因此，我堅信簡單也可以非常強大。
	這就是為什麼從條形圖到神經網絡調用此演示文稿的原因。
	而且，我認為突出顯示您可以從非常簡單的分析中獲取很多價值非常重要。 我想在這里分享的第一個例子就是條形圖。
	但是有時候我認為人們可以進入演示文稿，並且條形圖可以跨越多個頁面，並且使用JMP，將所有信息放到一個簡單的地方就很容易
	看法。 因此，在這種情況下，我們正在研究清洗過程中的硝酸，在最上面的地方，我們可以看到每個單獨的數據點以及硝酸清洗過程的所有階段中的每個階段。
	您會看到每個步驟中使用的硝酸水平。 下一步，我們正在研究...查看使用次數，從而了解該步驟被循環的次數。
	在這裡，我們正在研究每個步驟中硝酸的平均使用量。 舉個例子，我們可以看到，
	您知道，我們這裡每周平均使用24升汽油，但是這一步驟的發生頻率只有四倍，
	並且明顯受到此處異常值的影響，因此這顯然是歪斜的，對我們而言可能更重要，因為我們在此處嘗試做的是理解
	並減少每天，每週，每月使用的硝酸量，這是每個過程步驟中整個過程中所用硝酸的總和。
	而且重要的是...我想在這裡強調什麼對我們很重要，這又只是簡單的條形圖，但它給了我們巨大的方向
	在業務上，並把我們送走了...抱歉，避免將我們送走切線，因為當我們查看所有這些數據時，我們可以看到
	三個不同的區域跳了出來。 我們進行了最終漂洗，預漂洗以及另一個最終漂洗步驟。 數據顯示
	在這些漂洗步驟中使用了酸，這是不可能的，因為漂洗步驟僅涉及水。
	因此，進一步的挖掘表明，最初由供應商在我們的掃描儀（？）系統上設置了不正確的數據標籤。
	用於我們監控的流量。 因此，在我們認為實際上正在監視硝酸用量的地方，實際上卻沒有。 我們被錯誤地告知。 所以
	我們本來可以深入挖掘並了解我們的流程以及推動其發展的原因，但是非常簡單的條形圖通常會將中心指向一個正確的方向，並且我們能夠準確地了解我們業務中的實際情況。
	而且我們在業務中使用條形圖，而且，老實說，這可能是我最喜歡在業務中使用條形圖的一種，因為它是如此簡單。
	但是它顯示了……它在一頁上顯示了四個不同的停機時間維度，我認為也非常簡單，非常人性化，並且易於使用和閱讀。
	因此，我們這裡要每月對奶酪廠中的停機時間進行監控。 因此，您正在此處查看Y軸的幾分鐘停機時間
	對於奶酪工廠內部六個不同區域的每個區域，從6月到4月，5月，6月，7月，以此類推，直到9月，每個月按降序排列，按時間順序，我想，真的
	對於A，B，C和D的每個班次。現在，您可能會以為分鐘數太少而認為數據已經編造了，這是可以原諒的，但是從
	奶酪製造的觀點認為工廠不會停止。 所以這些都是真實的數字，我的意思是我們每個月以分鐘為單位監控停機時間。
	如果過程停止，則產品的pH值會發生變化，這可能會產生不利影響
	產品的最終銷售價格和質量，因此請不要停下來，這一點很重要。
	因此，從維護的角度來看，這是我們所要達到的水平。 到了幾分鐘，很明顯，我們在這裡可以看到BetaVac的問題不是太多，但是對於塊形成者，我們看到的是C和D班次的問題。
	還有更多關於Blockmaster上C的問題。 在傳送帶的這個區域中，C再次跳出，而扣板C和D再次跳出。
	這裡可能還有C和D的更多問題。 因此，我們從此分析中可以得出的結論是，從維護的角度來看，班次C和D處於掙扎狀態，他們需要更多的支持。
	我們特別喜歡動態鏈接
	JMP元素以及用於數據探索的元素。 而且，在這種情況下，我應該指出，我們公司內有很多實驗室，因此我們擁有微生物學，化學學，實驗室，
	我們測試牛奶，奶酪和水以及加工和製成品，並測試大量業務要素。
	就像您在此處看到的那樣，該交互式鏈接功能被製成了交互式HTML，
	的使用是為了使整個企業中的不同人員可以構建一個存儲庫，然後能夠查看它並與之交互。
	因此，我們在這裡要做的是創建一個存儲庫，其中存在業務中存在的問題，因此在這種情況下，我要突出顯示阻塞...對不起，我正在顯示阻塞的管道和蒸發器CIP以及斷電。
	當您單擊停電時，您會看到綠色條的陰影區域突出顯示。 因此，在這種情況下，您會看到斷電，八月份發生了一次或多次停電。
	它影響了這裡的這些加工階段，尤其是微生物，在這些過程中最多見的是鏈球菌。
	因此，這裡的價值在於，當我們從因素角度繼續向該存儲庫添加問題時，便能夠
	放眼未來，看看有什麼事情發生時會對業務造成風險，因此我們知道下一次停電時，可能需要增加在此階段或過程中的測試量，因為發生鏈球菌的風險更高。
	有時您到了很多桿需要添加的地步，您知道季節性和平滑度
	線，以增加更多的知名度。 這是我們在業務中遇到的挑戰，我將在稍後討論，這是業務的季節性因素。
	而且我們非常重要，因為母牛吃草，然後用草來製造牛奶，顯然最終是用來製作牛奶的，而且在愛爾蘭，天氣是如此不可靠。
	可能是下雨天，第二天下雪，第二天是陽光，所以從季節性角度來看，這裡的每種條形顏色都用來表示不同的年份，因此，2015、16、17、18。
	我還要補充一點，也就是周末，它正在查看整個週末訂單的中間部分。
	您可以看到，2016年和17年有些相似，因為它們的形狀為m形，而2018年則非常不同。
	舉個例子，這裡我們都互相扔雪球，六個星期後，發生了熱浪，禁止使用水管。
	因此，非常難以使用季節性數據，該數據實際上取決於企業內部的天氣狀況，但這是我們試圖克服的挑戰之一。
	因此，從趨勢...保持趨勢的角度來看，我們也將JMP用於非項目驅動的勘探。 因此，這是一個示例，每月有2,800家牛奶供應商
	蛋白質和脂肪的結果都在兩年內進入了業務。 因此，此處的每個刻度都代表2018年9月，2018年10月，依此類推。
	因此，它顯示了我們供應商內部和供應商之間存在的差異範圍。 而且有用的是，我們可以進行分區，並且可以特別以這個人為例，例如，為什麼這個人這麼高？
	而且他在脂肪和蛋白質方面一直很高，我們可以從這個供應商那裡學到一些東西，我們可以帶給其他供應商嗎？
	或者相反，在低端還有其他供應商嗎
	這可以得到我們牛奶顧問的一些支持和幫助，因為他們一直無法從牛奶中獲取蛋白質和脂肪含量
	高的。這些很重要，因為這些是農民獲得報酬的參數，蛋白質和脂肪的水平。
	因此，在這種情況下，尤其是這個傢伙是很少選擇每天只喝一次牛奶的牛奶供應商之一。
	因此，這意味著他的脂肪和蛋白質水平實際上比其他所有人都高，但是他回饋Dairygold的體積卻較小，但這是他的選擇。
	平行圖。
	這些是我當前的最愛，因為我認為它們同時在一頁上顯示了這麼多不同參數的大量信息。
	這是一個目前實際上正在發生的問題，因此從字面上來看這已經是新聞界的熱點，並且該問題實際上尚未解決。
	因此，我們在這裡看到的是...這與流化床乾燥機和旋風分離器上的間歇性粉末堵塞有關，
	這基本上意味著粉末阻塞了乾燥機和旋風分離器。 我們稱這些扼流圈為好，因此設備被扼流了，我們必須停止設備並清理它們。
	所以我們實際上在這裡看的是
	30個不同的參數，全部在...上測量，全部顯示在此處的X軸上。
	從左到右的每一行代表一分鐘的時間，用於設置這30個參數中的每一個。 紅色表示
	一小時前發生窒息的分鐘數，因此，這些是您想要的60級水平設置
	發生...在任何窒息發生之前60分鐘，這裡的紅色組代表9種不同的窒息發生。
	好的，這裡沒有540根鍊子，所以這實際上是發生窒息之前發生的事情的指紋。
	然後，當...我們要從機器參數的角度將其與典型的正常生產環境進行比較。
	這真的很好，因為您可以看到它們之間的比較，甚至可以將它們彼此疊放在一起時甚至更好，而且我知道...在後台不會出現任何阻塞。 所以現在有趣的是，我們實際上可以看到
	阻塞情況與無阻塞情況有何不同，並了解發生了什麼情況。 例如，目前正在探討的一個問題是，
	您知道，無論這是什麼……差壓，我們的水平似乎都較低。
	在大多數情況下，當我們窒息時，這是否是我們應該關注的潛在促成因素？ 是這引起的嗎？ 因為典型的訂單操作
	當壓差良好時，此處的參數也很高。 再說一次，只是一個例子。
	使用GPS數據可視化供應商位置的模式和趨勢，因此我們在這裡查看的是12月以及整個芒斯特地區（所有供應商所在的地區）的蛋白質水平。 這裡的每個點代表企業中的供應商位置。
	點的大小代表供應商提供給Dairygold的牛奶量，因此，點越大意味著農場的規模越大。
	而且這裡有一個不同的規模，我們期望該體積……抱歉，蛋白質水平應為3.5，因此我們對此不太感興趣，並用灰色陰影表示。
	但是任何大於3.5的都是綠色，所以...這是做得很好的人，而紅色的供應商可能是，
	對不起，可能是在努力提高蛋白質水平。 因此，在這裡我們可以使用自己的數據進行聯繫，看看是否有供應商可能需要我們的牛奶顧問的支持，我們也可以為他們提供幫助，這非常有用。
	堅持地域因素，我們也能夠消除一些古老的神話。 所以這些是
	可能在水冷卻器上進行的討論，因此有人會說NPN這件事肯定在地理上受到影響。
	NPN很難解釋，因此在這裡我將使用一品脫的類比，如果您願意，可以使用一品脫的啤酒。 我想，實際上，它更像是玻璃杯。
	因此，眾所周知，牛奶中含有蛋白質，脂肪，乳糖，礦物質和維生素。 現在，這些都是好東西。
	而且，還有很多其他內容，如果我們只是從整體上看蛋白質，則可以認為整個品脫是我們從農民的牛奶中獲得的蛋白質。
	但是這種蛋白質可以分解成真正的蛋白質，基本上就是這裡飲料的液體部分。
	這是我們可以在製造過程中實際使用的一點。 品脫的頭（這裡是泡沫狀的）是其他東西，所以尿素和尿酸等等。
	儘管我們向供應商支付了所有蛋白質的費用，但不幸的是我們無法在過程中使用所有蛋白質，因此我們只能在這裡使用此部分，真實的部分或像真實的蛋白質一樣使用。
	因此，根據過程的不同，在一年中的任何給定時間，如果我們的NPN，非蛋白質氮含量較高或較低，
	那麼最好將產品定向到特定站點
	現在在另一個站點上，因此我們可以採取戰略措施。 問題一直是，您知道，我敢打賭，在一年中的特定時間，地理位置會影響整個地區的非蛋白質氮水平
	地理位置。 您在這裡看到的是來自284,000個數據點的數據，因此有284,000個NPN量度，
	愛爾蘭南部明斯特的六個不同地區，全年都含有非蛋白質氮。
	此處的線表示每個月存在的均值和均值之間的差異，還表示每個區域從顏色角度而言均不同的均值。
	此處的箱形圖表示每個區域內和之間存在的變化量，因此，很明顯，您可以看到平均值在以下
	每個區域之間以及每個變化量減少的時候都很好地相處，
	假設在7月份，在所有地區，除蒂珀雷裡（Tipperary）的輕微異常外，其他地區的數量似乎都在減少。
	但是在大多數情況下，當一個地區的差異也增加時，則在所有地區中差異都會增加。
	因此，我們不能……我們不再需要談論這種可能性和另一種可能性。 我們也可以通過我們的數據很快地證明和反駁理論。
	我們每五年向混合供應商發送一次中線（？）人口普查，這有助於我們了解供應商在農場中未來的批量意向和挑戰。
	從業務方向和投資角度，以及我們的成員，它都可以表明您的觀點。
	因此，最近我們向2,800個供應商中的每個供應商發出了100多個問題，在這種情況下，我們提出的問題是，您農場的增長限制因素是什麼？
	人們得到了九種選擇，因此，在這種情況下，要考慮因素一到九。 因此，要求他們按照最重要或最不重要的順序進行排名，因此，將呈現給他們的因素從一到九。 可以想像，您可以獲得2,800個結果
	來自每個供應商的結果，但每個結果的得分都為1到9，其中有些並不總是獲得1到9的得分，他們可能只獲得了前三名，其他人可能是前五名或前七名。
	因此，問題是，如果您願意，如何最好地以一張清晰的圖片來代表所有25,000個數據點的所有數據，這些圖片代表了整個向Dairygold匯報的農業社區。
	結果是...所以答案是簡單的鑲嵌圖。 您可以在這裡非常清楚地看到，在我們的供應商中，有48.8％的受訪者將因素4列為最重要的因素
	限制其農場擴張的因素。 緊隨其後的是因素5，其中19％的人被認為是最重要的人物，而23％的人被認為是最重要的人物。
	作為第二名。 從左到右，您可以再次看到對農民最重要的因素。
	因此，顏色在這裡非常重要，我將再次與該團隊一起使用分層的熱圖，針對另一個非常不同的部分
	零售訂單。 因此，在這種情況下，我們只查看周末在一天中的時間下的訂單數量
	供進我們的商店。 因此，這是2015年至2018年這四個不同年份的每個週五，週六和周日。
	並在一天中的時間發送訂單。 現在，農民可以在應用程序和...上發送訂單。
	他們可以按順序響。 但是，您可以在每個星期五清楚地看到這裡，
	奶牛擠奶了，一些農民出去了，正好在凌晨五點，我還需要更多的飼料。 我將在此自動在應用程序中下訂單。
	再一次，它可能會在大約12點左右再次發生，這取決於牛群的擠奶時間，依此類推。 但是這裡的價值是我們可以
	了解週末接收訂單的最繁忙時間以及何時需要處理訂單，這可以使我們了解
	如何最好地在整個週末擁有有效的人員配備水平，因此，在周日擁有與星期五相同數量的人員毫無意義。 Maaybe更多
	Ttme應該專注於花費...更多的員工應該專注於在周五以及也許在周六凌晨獲得訂單。 因此，這比我們商店的人員配置更為有效。
	同樣，保持色彩主題以及我們所知的精美分析，但正如您所知，我們很快就會實現目標，
	但保持顏色主題不變，您在這裡看到的是輸出，其中我們以圖形方式表示了一大堆奶酪。
	所以當我說大一點的時候，它的長度可能是25米，寬度可能是2米。 因此，此時所有的凝乳都已經排乾了乳清，然後將這層奶酪壓扁並切成70條。
	然後將這些條切成五個塊，然後我們測量了左側，中間和右側的塊的高度。
	因此，我們要嘗試的是測量一塊巨大的大塊奶酪的奶酪床高度。
	一旦我們能夠做到這一點，就可以很好地了解實際發生的情況，並使用顏色作為指導，以及我們奶酪床上的寬度。
	因此，顯然紅色表示較高，綠色表示較低，我們這里以毫米為單位進行測量，因此是120毫米至155毫米。
	顯然，您可以從左上角看到這裡存在一定的傾斜度
	一側，高度較高，朝左側和左側下部下降，實際上床在掉落。
	所以這對我們來說真的很重要，因為從可變性的角度來看，我們試圖理解的是，是否存在不同...為什麼塊中存在差異...
	在塊的重量去我們的過程？ 這幾乎表明了原因之一。 原因之一是，如果塊的高度不同，
	然後邏輯將表明，如果將奶酪以相同的力壓縮到相同的壓力，則塊的重量也將有所不同。
	因此，再次使人們更容易理解圖片中的內容，尤其是如果他們對業務的分析方面不是很精通的話。
	我想，要想深入分析，我們在整個業務中都使用了統計過程控制，並且，
	您知道，尋找機會，並驗證改進。 在這裡，我們正在研究二氧化碳的使用，我們在產品中，特別是在粉末中，就地使用二氧化碳，
	當我們將粉末裝袋以延長產品的保質期時，這是工業界的標準做法。
	因此，我們排空了空氣，在裝滿袋子時加入了二氧化碳，但是您可以在此處看到，然後密封袋子，但是您可以在此處看到，我們有很多不同之處，特別是在2017年。
	而且我們能夠控制該過程，並且能夠確保到2018年生活變得非常非常不同，並且
	我們的二氧化碳平均使用量大大減少了。 我們仍然面臨一些挑戰，甚至可能出現一種需要進行調查的模式，但是
	這樣的事情也會帶來好處（因為），因為只要...不僅使我們的過程得到控制，而且能夠在統計上證明這一點，我們還能夠創造出一些東西。
	進行研究以有效評估粉末中二氧化碳的吸收率。
	因此，這確實很重要，因為如果我們能夠了解我們的產品如何吸收二氧化碳，那麼它就會帶來其他好處，因此
	當脂肪吸收袋子中的二氧化碳時，會在這個密封的袋子內部產生真空，因此當它產生真空時
	袋子開始圍繞粉末密封，這使粉末袋變得更加堅硬。
	因此，現在，從供應鏈的角度來看，它降低了風險，並使我們可以將這些袋子堆疊在托盤上進行運輸和運輸時的生活變得更加輕鬆。
	現在，就像我們要堆疊混凝土塊一樣，而不是試圖堆疊柔軟，蓬鬆和靈活的枕頭。 這樣就有了勝利，到處都是勝利。 我們有
	使用過，我絕對不是編碼員，但是我們確實伸出了援助之手，並從愛爾蘭用戶組獲得了很多幫助
	以及JMP社區... 實際上，您知道嗎，我要特別指出Intel的Troy Hickey，他對幫助我們從愛爾蘭用戶組中脫穎而出非常有用。
	在JMP社區，當您正在尋求一個清晰的領域時，當您伸出手並提出問題時，這真是太棒了
	或您可能一無所知的區域，以及從從未聽說過的人那裡得到的反饋，都是專家的反饋，而且是出色的。
	因此，在這種情況下，我們能夠使用一些JSL創建一些代碼，並能夠創建該代碼和控製圖
	格式（如果需要），為選項卡格式。 因此，在這種情況下，對於脫脂奶粉，全脂奶粉，脫鹽的乳清粉和酪蛋白來測量蛋白質
	在我們實驗室中進行測試。 目前，我們正在監控大約30種不同的測試，我們正在監控標準液和濕化學之間存在的差異
	每天，還有手動方法和近紅外方法之間的差異，因此是自動方法。
	作為示例，我們想確保如果我們要查看的濕化學標準，我們希望將目標定為零。 我們不希望我們在實驗室中測試的結果與測試結果之間存在任何差異。
	標准說應該。 因此，我們希望目標為零，這表明我們在這種情況下
	蛋白質，在脫鹽的乳清粉上，我們略顯不足；我們是.04，我們可以跟踪過程的概況，我們可以獲得
	向我們標記已發生流程轉移的過程。 因此，在這種情況下，連續有九個數據...至少在均值上方連續九個數據點。
	而且我們知道，停止該過程，不再繼續，因為我們需要進行調查並採取適當措施以糾正...糾正問題，在這種情況下，過程將轉移。
	因此，這對我們來說是非常有利的，我們現在處於這種設置狀態，並且每天都在運行，儘管有這種情況，
	您知道，即使在此數據點的成百上千，成千上萬的腳本也已設置好，因此它只顯示最後的42個數據點，這是任何時候的最後一周的數據，即使控制極限設置為
	基於過程中的先前數據。 非常高興在這裡與JMP社區聯繫。 按照
	卡車的到來時間很重要，因此在本例中，從午夜到午夜，我們有54,000輛油輪到達四個不同的地點。
	從交付時間到現場，讓我們對存在的不同分佈情況有一個很好的認識。 這對我們很重要，因為我們不希望...我們希望有一輛油輪到現場
	並卸掉牛奶，並儘快離開現場。 我們不想有這樣的情況
	很多捆紮，也許在某個地點，您可能會遇到這種情況，即您的卡車在其他卡車後面排成一列。 我們希望它在整個過程中一直保持良好狀態。
	在這裡，您可以看到一個例子，從早上八點到九點，
	你知道那是人們可能去吃早餐的地方。 我們的流量比較大，到站點的運送不多，在這裡，晚上的流量也比較大
	卡車被舉起或駛去了……司機去吃晚飯，依此類推。 因此，我們可以對此進行更深入的研究，並針對每個不同的站點說可以，因此，在本例中為Clonmel Road和Castlefarm這兩個站點，
	對於到達的道路，這些站點之間確實非常接近，對於到達北，南，東和西界的道路，
	它看起來像什麼，我們是否在想要的數據之間進行了清晰的分配？
	例如，有沒有從東部來的24小時內沒有運送的運輸車。 我們可以了解發生了什麼，也可以獲取這些信息，
	並說，從泵的卸載速度來看，是的，因為在這種情況下，我們有兩個站點有11個正在卸載的泵
	每年在兩個站點上的排放量超過10億升。
	我們想嘗試了解哪些泵比其他泵效率更高或更低。 而且，很明顯，我們在這裡可以看到有四個泵的卸載率更高，
	因此與其他一些泵相比，他們能夠在相同的時間內泵出更快，更多的牛奶。 你可以在這裡看到
	在站點2上，三號泵是效率最高的泵，而整體泵4和泵3是效率最低的泵。 因此，如果我們要進行維護檢修，那麼我們會知道這些泵首先需要檢修。
	我們使用JMP來評估卓越和機遇的評估系統，我們這樣做，
	如此多次，我什至無法追踪。 在這種情況下，查看正磷酸鹽（？），您會知道，這是標準的量規R＆R，結果非常好。 所以那裡
	19個不同的類別； 19是出色的，而Gauge R＆R是.5，所以理想的是不到10，這意味著您知道我們的產品非常好
	始終可靠的測量系統。 不管您要交給任何分析師什麼部分，他們都會回來給您同樣的結果。
	因此，執行測試的人員不會影響測試的結果，而這正是您一直希望看到的。
	有時我們可以擁有主觀的測量系統，並且我們還需要進行屬性一致性分析。
	因此，在這種情況下，我們著眼於您了解包裝產品的視覺評估，並且您可能正在尋找諸如圓度或邊緣損壞或壓花之類的東西。
	易讀性等。 因此，在進行了改進之後，您可以在此處看到我們知道，我們在評估人員中的共識是90％到95％。
	總體而言，您可以看到，根據與之匹配和達成協議的零件數量，協議水平為82％
	在每個...內部和每個操作員之間，但更重要的是，有效性，即與標準的一致性。
	之後我們可以看到，現在已經同意該標準的比例為96％，所以它的確很好。 同樣，您知道我們可以確保我們的產品即使在主觀的情況下也能可靠地分級。
	我們顯然也可以設計實驗來量化各種因素的影響。 因此，在這種情況下，我們要查看的是WPNI，它是乳清蛋白氮指數，因此這是一個衡量標準。
	我們產品中的蛋白質變性，因此表明該產品已達到的熱處理水平，並且可能是，
	對不起，這可能真的很重要，因為熱處理水平會從以下方面影響應用
	從客戶的角度來看。 因此，如果說使用了錯誤的熱處理水平，則可能意味著某個客戶可能希望使用我們的產品來製作酸奶，
	則該產品不合適，因為它可能會留下顆粒感，口感顆粒或類似的東西，因此不適用於酸奶等產品。
	因此我們遇到了乳清蛋白氮指數結果不一致的問題，並且在我們的程序中發現了一些歧義，
	因為它是開放的，可以解釋。 所以它可以說，你知道要搖晃一些東西，
	搖晃這個小瓶，您可能會說，搖晃它，有人可能會說，是的，我搖晃了五秒鐘，有人可能會說，我剛倒轉了10次，其他人會說，是的，我大力搖了搖。 30秒。
	因此，每個人都有最好的意圖遵循該程序，但是如果該程序模棱兩可，則可以進行解釋，這也可能導致不一致。
	因此，我們正在嘗試進行設計試驗，以了解可能影響過程變化的因素。
	因此，在這裡我們知道了氯化鈉溶液，也就是鹽水，是用起始棒製成的，而沒有起始棒。
	在炎熱的地方的持續時間為45或60分鐘，然後在此處使用該解決方案，在這裡使用這個小測試計劃，我們當時...水浴溫度為37和40度，這是這裡的四個解決方案之一顏色編碼。
	然後我們有水浴搖晃的間隔和滴數，我想也是在使用鹽酸。
	再一次，我們能夠使用交互式資源管理器查看WPNI結果何時較低，該過程如何進行。 一點點
	理解這裡發生的事情更加困難，因此顯然我們需要進一步做些事情，開始構建一些模型並了解正在發生的事情。
	就我們所說的優勢而言，這些模型在這裡是相當不錯的，R平方僅為68％。
	我們可以看到，這裡的主要作用是最大的主要作用是水浴溫度，然後是攪拌棒的持續時間和加熱板的相互作用作用。
	我們也可以看到效果，什麼參數在拉動...哪個效果在拉動
	朝哪個方向發展的過程。 在底部，我們也有有價值的預測分析器。 我們可以探索發生了什麼。
	我喜歡什麼，以及您可以使用輸出，有時，從教育的角度來看，有時我會使用其中一些實驗的輸出來...。
	因此，我早先談到過，您知道，加熱板上的攪拌棒和持續時間是一個重要因素，並且這是一種相互作用的影響，因此這是當一個因素的影響取決於另一個因素的水平設置時。
	但是，您可以知道，您可以嘗試在頁面上向某人解釋交互作用。我們有交叉線和交叉線意味著有
	強烈的互動，如果線是平行的，但看起來像是要交叉，那是一次很小的互動。 或者您實際上可以獲取數據並將其繪製出來，
	在這種情況下，很多人實際上並沒有看到交互看起來像有兩個因素，這就是交互...交互看起來像這樣，它可以用作...
	作為一種教育工具。 因此，在本例中，我們在y軸上具有WPNI結果，對不起，是的，在y軸上，
	在熱板上的持續時間分別為45分鐘和60分鐘，所以如果我們堅持45分鐘，那裡沒有攪拌棒，並且如果我們切換...我們停留45分鐘，然後切換到攪拌棒，我們可以我們從這個水平跳到了這個水平。
	而當我們進行60分鐘時，我們... WPNI級別就在這裡，沒有攪拌棒，我們跳到攪拌棒，我們可以看到它跳下來。 所以
	跳躍的幅度並沒有這裡的那麼大，但是馬上就表明影響攪拌棒和加熱板上的持續時間的相互作用非常大。
	這就是通過許多過程知識和理解所要經歷的。 我們還可以使用一些分類工具，因此在這種情況下可以嘗試並理解決策樹。
	因此，這是R＆D關於奶酪褐變的一個查詢，而且聽起來也與奶酪褐變有關
	在烤箱中加熱時，就像在披薩上一樣。 因此，我們不希望奶酪燃燒得太早，因此，如果將其作為切達干酪放在披薩上，您就不希望它燃燒得太早。
	您希望它具有一定的生命力並可以烹飪。 再說一遍，這是分類的示例，抱歉，決策樹，我們正在研究
	三種不同的層次（如果您願意），以樹為代表的淺，中和深褐色，顏色為綠色，
	琥珀色和紅色。 我們可以看到，運行時的pH值是最重要的因素，特別是如果運行時的pH值大於6.48，
	那麼我們可以看到，我們需要99.3％的過程變成淺褐色。 綠色是好的，紅色是壞的。 同樣，我們知道，如果我們的pH值小於6.48，我們將處於危險之中...
	然後我們取我們的樣本，所以從一個角落裡拿起我們這個20公斤重的塊中的奶酪，那麼我們知道我們有31％的機會獲得
	黑褐色，所以效果不好。 因此，從這個角度來看，我們可以看到
	計數也是對像數量的原因，並且在樹上葉子節點的終止方面也是如此。 這樣你就可以
	根據最佳分離的重要因素（在本例中為褐變分類），對過程進行了很好的理解。
	我在這裡說秘密引導森林，因為您知道我認為這是JMP中未充分利用的工具，...如果您了解決策樹的功能以及其工作原理，那麼您將了解它是一個功能強大的工具。
	而且我不確定，說實話，我不確定用於決策樹的算法是迭代二分法還是迭代二分法。
	C 4.5或5.0或類似的值，但我知道的是，預測變量篩選在後台利用了決策樹算法，並使用了引導森林，即
	還要進行替換採樣，以創建一堆這些樹並將它們粘在一起，然後根據需要提供樹木的平均結果。 因此，在這種情況下，指出這一點，這是從
	前面針對30個不同機器參數的並行繪圖示例，在這種情況下，您會注意到實際上有31個，
	因為當我回到團隊時，我說這個噴嘴氣壓有些不同，這似乎是一個重要因素，預測變量的篩選告訴我。
	一隻手在房間的後面舉起來，他們實際上說，
	在所有參數中，可能不是應該存在的參數，因為它不是真正的機器參數，我們只是將其粘貼在自己的內部，以查看是否有任何東西會跳出來。
	可以肯定的是，這是跳出頁面的那一部分，因此必須將其取出並單獨進行評估。
	就表達方式而言，我也幾乎在那兒，所以就它們而言
	使用模型來預測未來的業績，這就是我們從見識到有遠見的方向。
	根據1438項觀察，我們在這裡創建了一個模型，該模型的模型有效性高達76％。
	問題是我們是否可以構建一個工具來幫助我們預測一周中的任何一天，一年中的任何一周以及
	還可以預測我們將要收到的訂單數量...對不起，還可以預測我們當天將要獲得的訂單數量？
	因此，我們能夠獲取所有歷史數據，並使用預測分析器從季節性角度選擇哪個年份最與您要預測的年份相同。
	然後轉到適用的月份，所需的任何日期以及星期幾，然後確定是否是銀行假期。
	您可以在這裡看到，我在這裡設置了兩個不同的設置。 一種是當我們有銀行假期時，另一種是當我們沒有銀行假期時，您會發現有一個重要的假期
	銀行假日和星期幾之間的互動影響也是如此。 所以我們可以回到業務上
	在一周中的任何一天，即2019年10月26日，這是一個星期四而不是銀行假期的周末，您預計將收到120筆訂單，這也將相當於1100噸以下的產品進入。
	因此，我們實際上已經在兩個週末運行了這個週末，一個週末我們有一個銀行假期而沒有一個銀行假期，實際上是85％，這確實很好。 因此，即使模型為76％，實際上它的效果還是不錯的。
	然後，從洞察力到遠見卓識，我們再次尋找...試圖說明季節的真實性，
	我們在這裡有不同的年份，用不同的顏色表示，所以2015、16、17、18等。 我們正在尋找一些...一些飼料數量訂單
	這生意。 每個點代表每週的訂貨量，而我在這裡已經超額完成的是，我已經覆蓋了實際的預測模型，因此預測的值
	每個星期。 您會看到模型在實際精度上的真實性，即實際精度與預測精度之間的關係。
	然後就可以使用了，老實說，我不記得了……那是季節性的指數預報還是我們的季節性ARIMA，
	季節性???指標移動平均線來確定未來六個月的情況。
	在季節性是一個挑戰的情況下，這對我們的業務又具有巨大的價值，我們可以高度自信地使用這些工具來了解我們可以預期的訂單水平。
	最後，對於我們來說，我想有點兒麻煩，因為我們之前沒有進入過神經網絡，而是神經網絡。 因此，在這種情況下，使用神經網絡作為試驗來了解我們是否可以在過程中對沉澱物進行分級。 因此，如果我們有ADPI結果，那麼這就是
	沉積墊，我們正在查看大量可能焦化的顆粒，可能是乾燥過程等產生的，我們在哪裡？ 是A，B，C還是D級？
	在此，篩分結果表示篩子中殘留的顆粒數，而翻轉杯結果T1B1表示頂部和底部。
	T1表示可能漂浮在水面上的顆粒數量，B表示底部的顆粒數量，因此沉澱物沉入了底部。
	然後再次在神經網絡中使用它，並進行K折交叉驗證，所以我認為K設置為10。 我們有九個
	我認為，激活功能也在這裡。 是的，雙曲的...線性的，高斯的，我想也是雙曲正切的。
	我們可以使用每個
	入口節點也可以輸入到我們的激活函數中，然後在這裡也有我們的輸出層，這給了我們最終結果。 這樣我們就可以使用
	在這種情況下，有6,245個結果
	訓練我們的模型，然後，一旦我們也使用交叉驗證進行了驗證，我們就可以在這裡創建我們的混淆矩陣，這也是相當不錯的。 我的意思是我們在A1 / A2中沒有太多的值
	下降到B級，就像我們對A1所做的那樣，但這是向我們表明，如果我們確實擁有A2級
	我們預測其中的35個將是真實的兩個，而只有兩個將是A1。因此可能會有一些錯誤，並且該錯誤可能來自模型的狀態，
	你知道的，最初是由年級的學生創建的，他們試圖手動評估每種情況下是否存在差異
	結果中出現一些歧義，然後嘗試進行最終確定。 因此，我想這裡的問題是，我們能否獲得一台機器來準確預測最終通話的結果？
	再一次，我們希望獲得此處指定為A1的等級的可能性，如果不倒翁的結果是T1B1，幾乎沒有任何浮標或沉降片，那麼它的可能性會很高。
	如果篩分結果也很低（就顆粒數量而言），那麼我們希望這裡得到的結果是A1。
	我們在這裡看到A1的事實可能表明模型訓練不如預期的有效，並且模型中可能存在一些錯誤。
	再一次，您會看到一個非常...非常複雜的模型，它是在這裡創建的
	為此，但是您知道這有點像黑盒子，正如我認為從神經網絡的角度我們都知道的那樣。 但是，我想，實際上，當我們開始逐步進入整個機器學習空間和AI時，我們會獲得大量的過程知識和概念證明。
	所以我知道我向人開了很多槍，而且還很匆忙，我可能會在整個事情和道歉上說幾個小時。看法，
	我認為已經證明，無論您身處哪個行業，即使是農業行業（與典型的數據分析環境相距甚遠），任何行業都可以使用
	數據分析可為企業增添可觀的價值，您可以接觸並幫助企業的幾乎每個部分。
	另外，我想說不要低估簡單圖形分析的價值。 到本演示文稿的一半，我們才開始介紹一些嵌入在JMP和
	我認為知道如何使用所有精美的工具真是太好了，而且還有很多時間和地點，但是，您知道，簡單也可以非常強大，並且不要低估它的價值。
	除此之外，我還要說謝謝大家的聆聽。 非常感謝您，如果您有任何疑問或意見，現在歡迎他們。 謝謝你。

最佳峰會爆發數據可視化回复：在Dairygold擠奶數據：從條形圖到神經網絡（2021-EU-30MP-735）

精彩的演講概述了各種數據分析如何為企業提供價值。 很好地解釋了用例，以及為什麼這對Dairygold有價值！

回复：在Dairygold擠奶數據：從條形圖到神經網絡（2021-EU-30MP-735）

很棒的演講Kieran。 您在一個小時內經歷了很多-令人印象深刻！