揚聲器
|
成績單
|
| 基蘭·奧馬霍尼 |
好的，非常感謝，我叫 Kieran O'Mahony，是愛爾蘭 Dairygold 的數據科學和分析經理。 |
| |
我演講的標題是“從條形圖到神經網絡，從 Dairygold 獲取數據”。 |
| |
因此，我認為可以公平地說，數據分析的使用通常與金融和醫療保健、製藥、半導體等行業更相關，而且農業和分析這兩個詞出現在同一個句子中的情況可能很少見。 |
| |
因此，本次會議旨在深入了解一些非常……非常傳統的企業如何接受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，我在這裡嘗試做的不是那麼關註一個項目，而是展示如何使用多個示例 |
| |
Dairygold 使用 JMP 在整個企業（而不僅僅是製造業）中實現更多數據驅動的決策，我認為這很重要。 |
| |
因此，在開始之前，我認為有必要先介紹一下業務背景、概述以及我們的業務。 |
| |
So Dairygold 是愛爾蘭領先的農民擁有的合作社，擁有最先進的奶酪和營養粉生產設施，位於黃金山谷的中心。 |
| |
好吧，只是為了解釋一下，作為一個合作社，我們基本上……基本上意味著我們屬於牛奶供應商所有，因此屬於農民所有。 |
| |
我們有 2,800 家牛奶供應商每天為我們供應牛奶，其中每一位都是股東，因此這種商業模式有點不尋常，因為原材料供應商也是企業的所有者。 |
| |
去年的營業額為 12 億歐元，我們擁有約 1,200 名員工，每年加工約 14 億升牛奶，因此每天都有相當多的牛奶流入我們。 實際上， |
| |
在高峰期，因為我們的業務是季節性的，所以在高峰期，每天有超過 600 萬升牛奶到達工廠。 |
| |
我們還有零售店，您可以在那裡購買從錘子到家用電器和農用設備以及介於兩者之間的所有商品。 我們也有農業方面的業務，我們在工廠生產動物飼料。 |
| |
Dairygold 已經存在很長時間了，它於 1908 年開始名為 Ballyclough，然後於 1919 年更名為 Mitchelstown，最後於 1990 年更名為 Dairygold。 |
| |
我們可能已經做到了……好吧，也許不是……可以公平地說，從多年前通過馬車運送牛奶以來，我們已經走過了很長的路。 |
| |
這是一個非常傳統的組織，有著悠久的歷史，但也是一個非常進步的組織。 |
| |
當我說我們已經取得了長足的進步時，你知道我們現在擁有一個非常龐大的供應鏈，擁有一支油輪船隊，每艘油輪， |
| |
您可以在這裡看到一個例子，每艘罐車運輸約 26,000 升牛奶，我們每天從 2,800 家供應商收集牛奶。 這是一個非常複雜的供應鏈 |
| |
我們不僅從供應商那裡收集牛奶，而且如果我們不自動引導的話，我們還會從奶酪加工廠收集乳清 |
| |
通過管道到達不同的站點。 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濃縮乳和脫鹽乳清濃縮物也做了同樣的事情，然後我們也有分銷業務的粉末部分和奶酪部分。 |
| |
因此，我們還擁有歐洲一些最大的烘乾機（？），您可以在這裡看到一個特別的跨越五六層樓的烘乾機。 |
| |
所以，在過去的五六年裡，Dairygold 在各個工廠投資了超過 4 億美元，所以確保……確保我們…… |
| |
可以滿足未來奶池擴容的需要（？）。 就我們生產的產品而言，我們生產 |
| |
粉末和奶酪，大多數情況下，從全脂奶粉到脫脂奶粉和蛋白粉以及許多不同類型的奶酪，尤其是奶酪和切達干酪。 |
| |
我們供應多個行業，從糖果和披薩到鹹味食品、酸奶和加工食品，甚至還提供嬰兒配方奶粉和嬰兒食品。 |
| |
如果您今天吃過東西，那麼您很可能也食用了一些脫脂奶粉或全脂奶粉，因為如今脫脂奶粉或全脂奶粉在許多食品成分中非常普遍。 |
| |
這就是業務的背景。 就數據而言，我認為可以公平地說，有很多企業被認為數據非常豐富，但信息卻很貧乏。 |
| |
公平地說，你擁有的數據越多，有時隨之而來的混亂也會更多。 |
| |
有時我認為公平地說，即使你擁有所有信息並且你擁有……所以你擁有這個人口，並且你知道到底是什麼 |
| |
您需要提取才能從企業中獲取有用的信息，有時企業並不確切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更多地遠離右腦，我認為右腦專注於使用假設、直覺、猜測和直覺， |
| |
並更多地向左腦移動，更專注於使用邏輯、數學、推理和科學，但這是我們希望在業務中更多使用的東西，並在整個業務中使用更多數據驅動的決策。 |
| |
在一次演示之前，有人要求我對 Dairygold 的數據策略進行總結，並在一頁上進行總結，我想當時，我…… |
| |
就在那時我意識到我們當時可能沒有可靠的數據策略。 |
| |
但我現在想做的只是在一張圖片中展示我們實際的數據策略是什麼，而且非常簡單。 |
| |
因此，我們希望獲取業務中存在的數據並使用分析將其轉化為有用的信息。 |
| |
從這些信息中我們得到了我們所遇到的關鍵問題的答案，有時我們不僅得到了我們所遇到的問題的答案，而且有時我們得到了我們所遇到的問題的答案 |
| |
實際上我們最終會提出更多問題。 但這些確實很重要，也很強大，因為我們從一開始就不知道要問這些問題。 |
| |
所以有時我們需要回去再次查看我們的數據並幫助我們獲得這些問題的答案。 |
| |
但最終，當我們找到了所有問題的答案時，我們就處於更好的位置，並且對我們的流程有了更多的了解。 |
| |
有了這種洞察力，我們就能夠及時做出一些數據驅動的決策，並為我們提供正確的……讓我們朝著正確的方向前進。 |
| |
如果我們足夠了解我們的流程，我們有足夠的洞察力，那麼我們應該能夠使用這些數據 |
| |
高度準確地了解未來可能發生的情況。 因此，良好的洞察力也應該使我們具有良好的遠見，我們可以預測將要發生的事情。 |
| |
因此，正如我在開頭所說，本演示的目的是提供一些示例，說明 Dairygold 中數據使用的不同方式。 |
| |
我想說，從內部角度來看，在根據我們的數據做出決策方面，我們已經走得很遠了，目前我們正開始進入機器學習和人工智能的整個領域。 |
| |
所以我堅信簡單也可以非常強大。 |
| |
這就是為什麼這個演示文稿被稱為從條形圖到神經網絡。 |
| |
我認為強調您可以從非常簡單的分析中提取大量價值非常重要。 我想在這里分享的第一個例子是，它只是條形圖。 |
| |
但有時我認為人們可以進入演示文稿並擁有跨越多個頁面的條形圖，並且使用 JMP，只需將所有信息放入一個單一的頁面中就非常容易 |
| |
看法。 因此，在這種情況下，我們正在研究清潔過程中的硝酸，在頂部，我們可以看到每個單獨的數據點以及硝酸清潔過程的每個階段。 |
| |
您可以看到每個步驟中使用的硝酸水平。 我們正在考慮的下一步...查看使用次數，即該步驟的循環次數。 |
| |
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， |
| |
你知道，我們這里平均每週使用 24 升，但該步驟發生的頻率只有四次， |
| |
顯然這裡的異常值有偏差，所以這顯然是有偏差的，對我們來說可能更重要的是，因為我們在這裡試圖做的是理解 |
| |
並減少每天、每週、每月使用的硝酸量，這是整個過程中每個工藝步驟使用的硝酸的總和。 |
| |
重要的是……我想，對我們來說重要的是在這裡強調，這只是簡單的條形圖，但它給了我們巨大的方向 |
| |
並讓我們離開...抱歉，避免讓我們離題，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。 我們還進行了最終漂洗、預漂洗和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，因為漂洗步驟只涉及水。 |
| |
因此，進一步挖掘表明，供應商最初在我們的掃描儀（？）系統上設置了不正確的數據標籤 |
| |
對於我們監測的流量。 因此，我們認為我們實際上在監測硝酸的使用情況，但實際上並沒有。 我們被錯誤地告知。 所以 |
| |
我們真的可以深入挖掘並了解我們的流程以及驅動它的因素，但非常簡單的條形圖通常是正確的方向，我們能夠準確地了解我們業務中真正發生的事情。 |
| |
我們在業務中使用條形圖，老實說，這可能是我最喜歡的條形圖在業務中的用途之一，因為它非常簡單。 |
| |
但它顯示......它在一頁上顯示了停機時間的四個不同維度，我認為，非常簡單，非常用戶友好且直觀，易於使用和閱讀。 |
| |
因此，我們這裡監控的是奶酪工廠每月的停機時間。 所以您在此處查看 Y 軸上的停機時間分鐘數 |
| |
對於奶酪工廠內六個不同區域的每一個，對於四月、五月、六月、七月等六個月的每個月，按降序排列，按時間順序排列，我想，真的 |
| |
對於每個班次 A、B、C 和 D。現在，您可能會認為數據是編造的，因為分鐘數太少了，但這確實很重要 |
| |
從奶酪製造的角度來看，工廠不會停止。 所以這些是真實的數字，我的意思是我們每月監控停機時間（以分鐘為單位）。 |
| |
如果該過程停止，產品的 pH 值會發生變化，這可能會產生不利影響 |
| |
最終銷售價格和產品質量也是如此，所以重要的是我們不要停下來。 |
| |
因此，從維護的角度來看，這就是我們所處的水平。 我們的時間縮短到了幾分鐘，顯然我們在這裡可以看到 BetaVac 沒有太多問題，但對於 blockformers，我們看到了 C 和 D 班次的問題。 |
| |
這裡有更多關於 Blockmaster 上的 C 的問題。 在傳送帶的這個區域中，C 再次跳出，角撐板 C 和 D 也再次跳出。 |
| |
也許這裡的 C 和 D 有更多問題。 因此，我們從分析中得出的結論是，從維護角度來看，C 班和 D 班在維護方面遇到了一些困難，他們需要更多的支持。 |
| |
我們特別喜歡動態鏈接 |
| |
JMP 的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，我們在行業內有很多實驗室，所以我們有微生物學、化學、？？？實驗室, |
| |
我們測試牛奶、奶酪、水以及加工品和成品，並測試業務的大量要素。 |
| |
正如你在這裡看到的，這個交互式鏈接功能被製作成交互式 HTML， |
| |
以便整個企業的不同人員可以共同構建存儲庫，然後能夠查看它並與之交互。 |
| |
因此，我們在這裡嘗試做的是創建一個存儲庫，以便我們解決業務中存在的問題，因此在本例中，我將突出顯示阻塞...抱歉，我正在顯示阻塞的管道和蒸發器 CIP 和斷電。 |
| |
當您單擊“斷電”時，您可以看到綠色條的陰影區域突出顯示。 所以在這種情況下，你會看到停電，八月份發生了一次或多次。 |
| |
它影響了這些加工階段，特別是在這些過程中最常見的微生物是鏈球菌。 |
| |
所以這裡的價值在於，當我們從因素的角度不斷向這個存儲庫添加問題時，我們就能夠 |
| |
展望未來，了解發生某些情況時對業務造成的風險，因此我們知道下次停電時，我們可能需要增加此階段或流程中的測試量，因為發生鏈球菌的風險更高。 |
| |
有時你會遇到這樣的情況：你有太多的酒吧，你需要添加你知道季節性和更平滑的酒吧 |
| |
線條也可以增加更多的可見性。 這是我們在業務中面臨的挑戰，我稍後會談到，這是業務的季節性因素。 |
| |
我們非常喜歡，因為奶牛吃草，草被使用，然後顯然最終是為了製造牛奶，而且因為在愛爾蘭，天氣非常不穩定。 |
| |
可能有一天下雨，第二天下雪，第二天陽光明媚，所以從季節性的角度來看，這裡的每個條形顏色都用來代表不同的年份，所以2015年、16年、17年、18年。 |
| |
我應該補充一點，這也只是周末，而且它正在考慮週末整體訂單的綠色。 |
| |
您可以看到 2016 年和 17 年有些相似，因為它們都有這種 m 形狀，而 2018 年則非常非常不同。 |
| |
舉個例子，我們互相扔雪球，六週後，出現了熱浪，並禁止用水管。 |
| |
因此，在業務中使用季節性數據非常非常困難，這些數據實際上取決於天氣，但這是我們嘗試克服的挑戰之一。 |
| |
因此，從趨勢來看……與趨勢的角度保持一致，我們也使用 JMP 進行非項目驅動的探索。 這裡是 2,800 家牛奶供應商平均每月的示例 |
| |
蛋白質和脂肪的結果都在兩年內進入業務。 因此，這裡的每個刻度線都代表 2018 年 9 月、2018 年 10 月，依此類推。 |
| |
因此，它顯示了我們的供應商內部和供應商之間存在的差異範圍。 有用的是，我們可以進行分區，我們可以特別針對這個人，舉個例子，為什麼這個人這麼高？ |
| |
他的脂肪和蛋白質含量始終很高，我們是否可以從該供應商那裡學到一些東西，或者可以帶給其他供應商？ |
| |
或者，相反，是否還有其他處於低端的供應商 |
| |
這需要我們的牛奶顧問的一些支持和幫助，因為他們始終無法從牛奶中獲取蛋白質和脂肪水平 |
| |
高的。這些很重要，因為這些是農民獲得報酬的參數，即蛋白質和脂肪的水平。 |
| |
因此，在這種情況下，事實證明，這個人是極少數選擇每天只擠奶一次的牛奶供應商之一。 |
| |
所以，這意味著他的脂肪和蛋白質水平實際上比其他人都高，但他回饋給 Dairygold 的量較少，但這就是他的選擇。 |
| |
平行圖。 |
| |
這些是我目前最喜歡的，因為我認為它們只是在一頁上同時顯示這麼多不同參數的信息。 |
| |
這是一個現在確實正在發生的問題，所以這確實是媒體熱議的話題，而且這個問題實際上還沒有得到解決。 |
| |
所以我們在這裡看到的是……它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堵塞了乾燥機和旋風分離器。 我們稱這些為阻塞，好吧，所以設備被阻塞了，我們必須停止設備並清理它們。 |
| |
所以我們實際上在這裡看到的是 |
| |
30 個不同的參數，全部測量...全部顯示在此處的 X 軸上。 |
| |
從左到右的每條線代表這 30 個參數中每個參數的設置時間為一分鐘。 紅色表示 |
| |
分鐘是在窒息發生前一小時內的分鐘，所以這些是，這些是級別設置，如果您願意的話，為 60 |
| |
發生...任何窒息發生前 60 分鐘，這裡的紅色組代表九種不同的窒息發生。 |
| |
好吧，這裡除了 540 股之外還有什麼，所以這實際上是窒息發生之前發生的事情的指紋。 |
| |
當……我們想要做的就是從機器參數的角度將其與典型的正常運行生產場景進行比較。 |
| |
這真的很好，因為你可以看到它們如何比較，甚至當你可以將它們疊加在一起時效果更好，而且我……沒有窒息在背景中出現了幻影。 所以現在有趣的是我們實際上可以看到 |
| |
窒息情況與無窒息情況有何不同，並了解發生了什麼。 舉個例子，目前正在探討的一個問題是， |
| |
你知道，我們的壓差似乎較低。 |
| |
在大多數情況下，當我們窒息時，這是我們應該注意的潛在促成因素嗎？ 這是造成這種情況的原因嗎？ 因為典型的訂單操作 |
| |
當壓差良好時參數也很高。 再說一遍，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 月以及整個明斯特地區（我們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內的供應商位置。 |
| |
點的大小代表供應商向 Dairygold 提供的牛奶量，所以你知道，點越大意味著農場越大。 |
| |
這裡有一個不同的比例，我們期望體積……抱歉，蛋白質水平應該是 3.5，所以我們對此不太感興趣，並且以灰色陰影顯示。 |
| |
但任何大於 3.5 的東西都是綠色的，所以……他們是做得很好的人，紅色的是可能的供應商， |
| |
對不起，他們可能正在努力提高蛋白質水平。 因此，我們可以使用自己的數據來聯繫，看看是否有供應商可能需要我們的牛奶顧問的一些支持，我們也可以幫助他們，所以非常有用。 |
| |
堅持地理因素，我們也能夠消除一些古老的神話。 所以這些是 |
| |
可能會在飲水機上進行討論，有人會說 NPN 這個東西肯定受到地理影響。 |
| |
NPN 是一件很難解釋的事情，所以我將在這裡使用一品脫啤酒的類比，如果你願意的話，一品脫啤酒。 我認為它更像是一塊玻璃。 |
| |
因此，眾所周知，牛奶含有蛋白質、脂肪、乳糖、礦物質、維生素。 現在，這些都是好事。 |
| |
而且，裡面還有很多其他的東西，如果我們只從整體上看蛋白質，你可以認為整品脫都是我們從農民的牛奶中獲得的蛋白質。 |
| |
但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。 |
| |
我們可以在製造過程中實際使用這一點。 品脫的泡沫，這裡的泡沫，是其他物質，尿素和尿酸，等等。 |
| |
雖然我們向供應商支付所有蛋白質的費用，但不幸的是，我們無法在我們的過程中使用所有蛋白質，因此我們只能在這裡使用這一部分，真正的部分，或者像真正的蛋白質一樣。 |
| |
因此，根據過程的不同，如果我們在一年中的任何特定時間有更高或更低的 NPN（非蛋白氮）水平， |
| |
那麼最好將該產品定向到特定站點 |
| |
現在在另一個網站上，所以我們也許可以具有戰略意義。 問題一直是，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，即 284,000 個 NPN 度量， |
| |
愛爾蘭南部明斯特六個不同地區全年的非蛋白氮。 |
| |
這裡的線條代表了每個月存在的均值和均值差異，而且還代表了不同地區從顏色角度來看不同的均值。 |
| |
這裡的箱線圖代表了每個區域內部和之間存在的變化量，如此清晰，您可以看到平均值如下 |
| |
每個區域之間以及變化量減少的任何時候彼此都很好地配合， |
| |
假設在 7 月份，所有地區的發病率似乎都在下降，但蒂珀雷裡可能略有異常。 |
| |
但在大多數情況下，當一個地區的變異增加時，所有地區的變異也會增加。 |
| |
所以我們不能再……我們不再需要談論這個和另一個的潛力。 我們也能夠用我們的數據快速證明和反駁理論。 |
| |
每五年，我們都會向我們的混合供應商發送中線（？）人口普查，這有助於我們了解供應商未來的產量意向和供應商可能在其農場面臨的挑戰。 |
| |
它從業務方向和投資角度以及我們的會員的角度表明了情緒。 |
| |
因此，最近我們向 2,800 家供應商中的每家都發出了 100 多個問題，在本例中，我們提出的問題是，你們農場的生長限制因素是什麼？ |
| |
人們有九個選擇，所以在這種情況下，因子一到九。 因此，他們被要求按照最重要或最不重要的順序對呈現給他們的這些因素進行排名，從一到九。 正如您可以想像的那樣，您會返回 2,800 個結果 |
| |
來自每個供應商，但每個結果都有一到九的分數，其中一些並不總是得分一到九，他們可能只達到了前三名，其他人可能達到了前五名或前七名或其他什麼。 |
| |
所以問題是，如果您願意的話，如何才能在一張清晰的圖片中最好地表示所有這些數據（即 25,000 個數據點），該圖片代表向 Dairygold 報告的整個農業社區。 |
| |
結果是......所以這裡的答案只是一個馬賽克圖。 您可以在這裡非常清楚地看到，我們供應商中 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% 的人投票為最重要的第一，23% 的人投票為第一 |
| |
作為第二名。 當我們從左到右時，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，我正在與該團隊一起使用分層熱圖，再次，針對一個非常不同的部分 |
| |
零售訂單。 因此，在本例中，我們僅查看周末按一天中不同時間下的訂單數量 |
| |
為我們的商店提供原料。 這是 2015 年至 2018 年四個不同年份每年的周五、週六和周日。 |
| |
以及一天中訂單發送的時間。 現在農民可以通過應用程序發送訂單......或者 |
| |
他們可以按順序響鈴。 但周五你可以清楚地看到這裡，你知道，當第一個 |
| |
奶牛擠奶時，一些農民早上五點就出去，說好吧，我需要更多飼料。 我將在應用程序中自動下訂單。 |
| |
再說一次，它可能會再次發生，也許在 12 點左右，這取決於牛群的擠奶時間，等等。 但這裡的價值在於我們可以 |
| |
了解週末什麼時候接訂單最忙，什麼時候需要處理訂單，可以讓我們了解 |
| |
如何最好地在周末保持有效的人員配備水平，因此週日與週五的人數相同是沒有意義的。 也許更多 |
| |
我應該集中精力……並且應該將更多的人員集中在周五甚至週六早上的訂單上。 因此，我們商店的人員配備水平更加有效。 |
| |
再次強調，與顏色主題保持一致，正如我們所知，花哨的分析，但正如你所注意到的，我們很快就會到達那裡， |
| |
但保持顏色主題，您在這裡看到的是我們以圖形方式表示一大塊奶酪的輸出。 |
| |
所以當我說大時，它的長度可能是 25 米，寬度可能是 2 米。 此時所有凝乳中的乳清均已排出，然後將這層奶酪壓扁並切成 70 條。 |
| |
然後將條帶切成五個塊，然後我們所做的是測量左側、中間和右側塊的高度。 |
| |
所以我們要做的是測量這塊巨大奶酪的奶酪床的高度。 |
| |
一旦我們能夠做到這一點，我們就可以很好地了解實際發生的情況，並使用顏色作為指導，以及奶酪床的寬度。 |
| |
所以，顯然紅色意味著更高，綠色意味著更低，我們在這里以毫米為單位進行測量，所以它是 120 毫米到 155 毫米。 |
| |
顯然，你可以在這裡看到，當你從左上角開始時，有一點斜坡 |
| |
一側，左側和左下側的高度較高，床實際上正在掉落。 |
| |
所以這對我們來說非常重要，因為從可變性的角度來看，我們想要理解的是，是否存在不同......為什麼塊中存在差異...... |
| |
進入我們流程的塊的重量？ 這幾乎說明了原因之一。 原因之一是如果塊的高度不同， |
| |
那麼邏輯將表明，如果奶酪被相同的力壓縮到相同的程度，那麼塊的重量也會不同。 |
| |
因此，人們更容易在圖片中理解這一點，特別是如果他們不太熟悉業務的分析方面。 |
| |
我想，更深入地進行分析，我們在整個業務中大量使用了統計流程控制，並且， |
| |
你知道，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情況，我們在我們的產品中，特別是在我們的粉末中使用二氧化碳， |
| |
當我們將粉末裝袋以延長產品的保質期時，這是行業的標準做法。 |
| |
因此，當我們填充袋子時，我們會排出所有空氣並添加二氧化碳，但是你可以在這裡看到，然後我們密封袋子，但是你可以在這裡看到，我們有很多變化，特別是在 2017 年。 |
| |
我們能夠控制這個過程，我們能夠確保到 2018 年，生活會變得非常非常不同， |
| |
我們的二氧化碳平均使用量顯著減少。 我們仍然面臨一些挑戰，甚至可能還會出現一種值得調查的模式，但是 |
| |
這類事情也有好處，因為只要......除了讓我們的流程受到控制並能夠在統計上證明相同之外，我們還能夠創建一些 |
| |
研究還有效評估了我們的粉末吸收二氧化碳的速度。 |
| |
所以，這非常重要，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優勢，所以其中之一是 |
| |
當脂肪吸收袋子中的二氧化碳時，它會在這個密封袋內部產生真空，因此當它產生真空時 |
| |
袋子開始在粉末周圍密封，這使得粉末袋更加堅硬。 |
| |
因此，現在，從供應鏈的角度來看，當我們可以將這些袋子堆放在托盤上進行運輸和運輸時，它可以降低風險並使生活變得更輕鬆。 |
| |
現在，我們就像是在堆放混凝土塊，而不是嘗試堆放柔軟、蓬鬆且有彈性的枕頭。 所以，勝利就是勝利，一切都是勝利。 我們有 |
| |
用過，我絕對不是編碼員，但我們確實已經與愛爾蘭用戶組聯繫並獲得了很多幫助 |
| |
以及 JMP 社區... 事實上，你知道嗎，我要特別指出英特爾的 Troy Hickey，他非常有用地幫助我們擺脫了愛爾蘭用戶群體的困境。 |
| |
在 JMP 社區，當您在您可能正在尋求澄清的領域提出問題時，這真是太棒了 |
| |
或者也許是您一無所知的領域，並從您從未聽說過的人那裡得到答复，專家的答復以及出色的答复。 |
| |
因此，在本例中，我們能夠使用一些 JSL 創建一些代碼，並且我們能夠創建此控製圖 |
| |
格式，如果您願意的話，它是選項卡格式。 所以在這種情況下，對於脫脂奶粉、全脂奶粉、脫鹽乳清粉和酪蛋白來測量蛋白質 |
| |
在我們的實驗室進行測試。 目前我們正在監控大約 30 種不同的測試，我們正在監控標準和濕化學之間存在的差異 |
| |
每天，以及手動方法和近紅外方法之間存在的差異，因此自動化方法。 |
| |
舉例來說，我們希望確保，如果我們正在研究濕化學標準，我們希望以零為目標。 我們不希望實驗室測試的結果與實際測試的結果有任何差異。 |
| |
標准說應該是這樣。 所以我們想要一個零目標，這向我們表明，在這種情況下， |
| |
蛋白質，在脫鹽乳清粉方面，我們略有不足；我們是 .04，我們可以跟踪我們流程的概況，我們可以得到 |
| |
向我們標記已發生流程轉變的流程。 因此，九個數據……在本例中，至少連續九個數據點高於平均值。 |
| |
然後我們知道，要停止這個過程，不再繼續，因為我們需要調查並採取一些措施來糾正……糾正問題，在這種情況下是過程轉變。 |
| |
所以這對我們來說是非常積極的，我們現在已經有了這個設置，它每天都在運行，儘管有， |
| |
你知道，成百上千的數據點，即使在這一點上，腳本也被設置為只顯示最後 42 個數據點，即任何一個時間的上週數據，即使控制限制設置為 |
| |
基於流程中之前的數據。 在這里聯系 JMP 社區真是太好了。 按照 |
| |
卡車到達時間影響業務，因此在這種情況下，我們有 54,000 輛油罐車從午夜到午夜到達四個不同的站點。 |
| |
讓我們了解現有的不同發行版（從交付到站點的時間）真的很好。 這對我們來說很重要，因為我們不想……我們希望有一艘油輪來到現場 |
| |
並儘快卸下牛奶並離開現場。 我們不想出現這樣的情況 |
| |
大量聚集，也許在某個地點，您可能會遇到這樣的情況，即您的卡車排在其他卡車後面。 我們希望它是一個很好的流程，貫穿整個過程。 |
| |
在這裡，你可以看到一個例子，早上八點到九點， |
| |
你知道，人們可能就是在那裡吃早餐的。 我們的交通比較繁忙，沒有那麼多的送貨到站點，這裡也是如此，晚上的交通比較繁忙 |
| |
卡車被滯留或消失……司機去吃晚飯等等。 因此，我們能夠更深入地研究這一點，並對每個不同的站點都說好，所以兩個站點，在本例中是 Clonmel Road 和 Castlefarm， |
| |
對於到達的道路，而且這些站點彼此非常接近，對於到達北、南、東、西方向的道路， |
| |
它是什麼樣的？我們想要的數據是否有清晰的分佈？ |
| |
例如，是否有一些運輸公司無法從東部地區進行 24 小時送貨？ 我們可以了解正在發生的事情，我們也可以獲取這些信息， |
| |
並說，從泵卸載率來看還可以，因為在本例中，兩個站點有 11 個正在卸載的泵 |
| |
每年兩個地點的產量超過 5 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，我們可以在這裡看到有四個泵具有更高的卸載率， |
| |
因此，與其他一些吸奶器相比，它們能夠在相同的時間內吸出更快、更多的乳汁。 你可以在這裡看到 |
| |
在站點 2 上，三號泵是效率最高的泵，而總體而言，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，那麼我們就會知道這些是需要首先檢修的泵。 |
| |
我們使用 JMP 來評估衡量系統的卓越性和機會，我們這樣做，你知道， |
| |
很多次，我什至都無法再跟踪了。 在這種情況下，看看正磷酸鹽（？），你知道，這是一個標準的計量 R&R，結果非常好。 所以有 |
| |
19 個不同類別； 19 非常好，儀表 R&R 為 0.5，因此小於 10 是理想的，這僅意味著您知道我們真的有很好的 |
| |
始終可靠的測量系統。 無論您將向分析師提供什麼部分，他們都會回來並給您相同的結果。 |
| |
因此，執行測試的人不會影響測試結果，而這正是您始終希望看到的。 |
| |
有時我們可以有主觀測量系統，我們也需要進行屬性一致性分析。 |
| |
因此，在這種情況下，我們正在查看您對包裝產品的視覺評估，您可以尋找諸如圓度或損壞的邊緣或壓花之類的東西 |
| |
易讀性等。 因此，在進行改進之後，您可以在這裡看到，我們在評估師中達成了 90% 到 95% 的一致意見。 |
| |
總體而言，您可以看到，就匹配和同意的零件數量而言，一致程度為 82% |
| |
在每個運營商內部和每個運營商之間，但可能更重要的是有效性，即與標準的一致性。 |
| |
之後我們可以看到，現在同意該標準的比例達到了 96%，所以這非常好。 再說一遍，您知道我們可以確保我們的產品得到可靠的評級，即使它們是主觀的。 |
| |
顯然，我們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，我們關注的是 WPNI，即乳清蛋白氮指數，因此這是一個衡量水平。 |
| |
我們產品中的蛋白質變性，因此它表明了產品經過的熱處理水平，這可以是， |
| |
對不起，這非常重要，因為熱處理水平會影響應用 |
| |
從客戶的角度來看。 因此，如果，比方說，應用了錯誤的熱處理水平，這可能意味著客戶可能想要使用我們的產品來製作酸奶， |
| |
那麼該產品就不適合，因為它可能會留下顆粒感，顆粒感，也許什麼，所以它不適合酸奶這樣的產品。 |
| |
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註意到了一些含糊之處， |
| |
因為它可以進行解釋。 所以它可能會說，你知道搖動一些東西， |
| |
搖動這個小瓶，你知道，它可能只是說搖動它，有人可能會說，是的，我搖動它五秒鐘，其他人可能會說，我只是倒立了 10 次，其他人可能會說，是的，我劇烈搖動 30 秒。 |
| |
因此，每個人都懷著最好的意願遵循該程序，但如果該程序含糊不清，那麼它就可以進行解釋，這也可能導致不一致。 |
| |
因此，我們正在嘗試做的是設計試驗，以了解可能影響我們流程變化的因素。 |
| |
所以在這裡我們有你知道的氯化鈉溶液，所以只是鹽水溶液，由起始棒和無起始棒組成。 |
| |
在炎熱的地方的持續時間是 45 或 60 分鐘，然後在這裡使用該解決方案，以及這裡的這個小測試計劃，我們...水浴溫度是 37 度和 40 度，這是這裡用顏色編碼的四種解決方案之一。 |
| |
然後我們有水浴搖動間隔和我認為也使用了鹽酸的滴數。 |
| |
我們再次能夠使用交互式資源管理器來查看何時 WPNI 結果較低以及該過程發生了什麼。 一點點 |
| |
更難理解這裡發生了什麼，所以顯然我們需要更進一步，開始構建一些模型並理解正在發生的事情。 |
| |
就我們所討論的優勢而言，這些模型相當不錯，R 平方僅為 68% 左右。 |
| |
我們可以直接看到，這裡的主要影響，最大的主要影響是水浴溫度，其次是攪拌棒持續時間和加熱板相互作用效果。 |
| |
我們也可以看到效果，什麼參數在拉動...哪個效果在拉動 |
| |
過程朝哪個方向發展也是如此。 我們在底部也有有價值的預測分析器。 我們可以探索一下到底發生了什麼。 |
| |
我喜歡什麼，以及你可以使用輸出，有時，好吧，我有時使用其中一些實驗的輸出......從教育的角度來看。 |
| |
所以我之前談到，你知道，攪拌棒和在電爐上的持續時間是一個重要因素，這是一種相互作用效應，所以這是一個因素的影響取決於另一個因素的水平設置的情況。 |
| |
但是你可以，你知道，你可以嘗試在頁面上向某人解釋交互效果；我們有交叉線，交叉線意味著有 |
| |
強相互作用，如果線是平行的，但它們看起來要交叉，那麼這是一個小相互作用。 或者你可以實際獲取數據並將其繪製出來， |
| |
在這種情況下，很多人實際上還沒有看到，你知道，具有兩個因素的交互是什麼樣子，這就是交互……交互的樣子，它可以用作…… |
| |
也作為一種教育工具。 所以，在我們的例子中，我們的 y 軸上有 WPNI 結果，抱歉，是的，在我們的 y 軸上， |
| |
電爐上的持續時間為 45 分鐘和 60 分鐘，所以如果我們堅持 45 分鐘，我們沒有攪拌棒，如果我們切換...我們保持 45 分鐘，然後切換到攪拌棒，我們可以看到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，沒有攪拌條，我們跳到攪拌條，我們可以看到它跳下來。 所以 |
| |
這裡的跳躍沒有這裡那麼多，但馬上，這表明影響攪拌棒和電爐上持續時間的相互作用相當大。 |
| |
這就是我們所經歷的，同樣，大量的流程知識和理解。 我們也可以使用一些分類工具，因此在這種情況下可以嘗試理解決策樹。 |
| |
這是研發部提出的與奶酪褐變有關的查詢，正如聽起來的那樣，它與奶酪的褐變有關 |
| |
在烤箱中，加熱時要稍微加熱，就像披薩一樣。 所以我們不希望奶酪燒得太快，所以如果披薩上有切達奶酪，你也不希望它燒得太快。 |
| |
你希望它有一些生命力和烹飪方法。 再說一次，這是一個分類的例子，抱歉，是一個決策樹，我們正在看的是 |
| |
三個不同的級別，如果你喜歡的話，以樹為代表的淺、中、深褐變，顏色是綠色， |
| |
分別是琥珀色和紅色。 我們可以看到，跑步時的 pH 值是這裡最重要的因素，特別是，如果跑步時的 pH 值大於 6.48， |
| |
然後我們可以看到，99.3% 的流程都會呈現淺棕色，這正是我們想要的。 綠色是好的，紅色是壞的。 同樣，我們知道如果 pH 值低於 6.48，我們就會面臨風險，並且我們…… |
| |
我們採集樣本，所以我們塊中的奶酪，實際上是 20 公斤塊，是從角落裡取出的，然後我們知道我們有 31% 的機會獲得 |
| |
深褐色，所以不會很好。 所以從這個角度來看，我們可以看到， |
| |
計數也是導致這種情況的對像數量，並且也是樹上葉節點的終止。 所以你可以得到 |
| |
充分了解您的流程中正在發生的情況，了解最好分離的重要因素（在本例中為褐寧分類）。 |
| |
我在這裡說隱蔽引導森林，因為你知道我認為這是 JMP 中一個未充分利用的工具，並且...如果你了解決策樹的作用及其工作原理，你就會明白它是一個非常強大的工具。 |
| |
我不確定，老實說，我不確定用於決策樹的算法是否是迭代二分法或 |
| |
C 4.5或5.0或其他什麼，但我所知道的是預測器篩選在後台利用決策樹算法並使用引導森林，這是 |
| |
也可以進行替換採樣，創建一堆這些樹並將它們全部粘在一起，然後為您提供樹的平均結果（如果您願意）。 所以在這種情況下，指出，這是來自 |
| |
前面的平行圖示例針對 30 個不同的機器參數，在本例中，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，預測因子篩選告訴我這一點。 |
| |
房間後面舉起了一隻手，他們實際上說， |
| |
在所有參數中，這可能不應該在那裡，因為它不是真正的機器參數，我們只是將其插入自己，看看是否會跳出任何東西。 |
| |
果然，這是跳出頁面的那個，因此必須將其取出並單獨評估。 |
| |
就演示而言，就它們而言，我也幾乎做到了 |
| |
使用模型來預測未來的表現，這就是我們從洞察轉向遠見的地方。 |
| |
在這裡，我們基於 1,438 個觀察結果創建了一個相當強大的模型，模型有效性為 76%。 |
| |
問題是我們能否構建一個工具來幫助我們預測一周中任意一天、一年中任意一周進入業務的訂單數量以及 |
| |
還預測我們會收到的訂單數量...抱歉，還要預測我們當天會收到的訂單數量？ |
| |
因此，我們能夠獲取所有歷史數據並使用預測刻畫器從季節性角度選擇哪一年對於您嘗試預測的內容最常見。 |
| |
然後轉到適用的月份、您想要的任何日期以及星期幾，然後確定它是否是銀行假日。 |
| |
你可以在這裡看到，我在這裡設置了兩個不同的設置。 一種是當我們有銀行假日時，一種是當我們沒有銀行假日時，你可以看到有一個顯著的變化。 |
| |
銀行假日和星期幾之間也存在相互作用。 這樣我們就可以回到正題了 |
| |
無論一周中的哪一天，2019 年 10 月 26 日（週四而非銀行假日週末），您預計都會收到 120 個訂單，這也相當於收到的產品略低於 1,100 噸。 |
| |
所以我們實際上已經運行了兩個週末，一個週末有銀行假期，一個週末沒有銀行假期，實際上是 85%，這非常好。 因此，儘管模型的準確率是 76%，但實際上它在現實中的表現相當不錯。 |
| |
然後從洞察力到遠見，我們再次尋找……試圖解釋季節的真實性， |
| |
我們這裡有不同的年份，用不同的顏色代表，所以2015年、16年、17年、18年等等。 我們正在研究一些......一些飼料數量訂單即將進入 |
| |
這生意。 每個點代表每週的訂單數量，我在這裡做得太過分了，我覆蓋了實際的預測模型，以便預測的值 |
| |
每一周。 您可以看到模型與實際的準確度，以及實際與預測的準確度。 |
| |
然後能夠使用，老實說我不記得了……要么是季節性指數預測，要么是我們的季節性 ARIMA， |
| |
季節性？？？公制移動平均線來確定未來六個月的情況。 |
| |
這對於我們的業務來說同樣具有巨大的價值，因為季節性是一個挑戰，我們可以使用這些工具，充滿信心地了解我們未來業務的訂購水平。 |
| |
最後，我認為對我們來說是一個延伸，因為我們之前沒有進入過這個區域，而是神經網絡。 因此，在這種情況下，使用神經網絡作為嘗試來了解我們是否可以對過程中的沉積物進行分級。 所以如果我們有 ADPI 結果，那麼這就是 |
| |
沉積物墊，我們正在觀察大量可能被燒焦的顆粒，可能來自乾燥過程等，我們在哪裡？ 是A級、B級、C級還是D級？ |
| |
這裡，篩子結果代表留在篩子中的顆粒數量，轉筒結果 T1B1 代表頂部和底部。 |
| |
T1 代表可能漂浮在水面上的顆粒數量，B 可能代表底部的顆粒數量，即沉入水底的沉積物。 |
| |
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 |
| |
我認為這裡也有激活函數。 是的，雙曲......線性，高斯，我想，還有雙曲正切。 |
| |
我們可以使用其中的每一個 |
| |
入口節點也輸入到我們的激活函數中，然後我們在這裡也有輸出層，這給了我們最終結果。 所以我們能夠使用， |
| |
在本例中，有 6,245 個結果 |
| |
訓練我們的模型，然後，一旦我們使用交叉驗證進行驗證，我們就可以在這裡創建混淆矩陣，這也非常好。 我的意思是我們在 A1/A2 中沒有那麼多值 |
| |
降到 B 級，就像我們對 A1 所做的那樣，但這在某種程度上向我們表明，如果我們確實有 A2 級 |
| |
我們預測其中 35 名將是真正的 2 名，只有 2 名是 A1。所以可能會出現一些錯誤，並且錯誤可能來自模型的情況， |
| |
你知道，最初是由評分者創建的，他們手動嘗試評估每個條件中存在的差異，如果以及何時 |
| |
結果中出現一些含糊之處，然後嘗試做出最終決定。 所以我想這裡的問題是，我們能否讓機器高精度地預測最終的調用是什麼？ |
| |
再次，我們預計在這裡獲得 A1 等級的概率，如果不倒翁結果為 T1B1，幾乎沒有任何漂浮物或沉降物，則預計它會相當高 |
| |
如果就顆粒數量而言，篩分結果也相當低，那麼我們預計 A1 的結果會出現在此處。 |
| |
我們在這裡看到 A1 的事實可能表明模型訓練並不那麼有效，並且模型中可能存在一些錯誤。 |
| |
再次，您可以看到這裡創建了一個非常...相當複雜的模型 |
| |
為此，但你知道這有點像黑匣子，我想我們從神經網絡的角度都知道這一點。 但我想，當我們開始邁向整個機器學習領域和人工智能時，我們需要再次獲得大量的流程知識和概念驗證。 |
| |
所以我知道我向人們開了很多槍，而且相當倉促，我可能可以就整個事情說上幾個小時並道歉……如果確實感覺倉促的話，我很抱歉，但我想說的只是從結論性想法的角度來看， |
| |
我認為已經證明，無論你在哪個行業，即使是農業行業，它與典型的數據分析環境相距甚遠，在任何行業中，你都可以使用 |
| |
數據分析可為業務增加顯著價值，您可以接觸並幫助業務的幾乎每個部分。 |
| |
另外，我想說不要低估簡單圖形分析的價值。 直到本次演示進行到一半時，我們才開始介紹 JMP 中嵌入的一些更強大的分析功能 |
| |
我認為知道如何使用所有奇特的工具並且有時間和地點使用它是很棒的，但是，你知道，簡單也可以非常強大，並且不要低估它的價值。 |
| |
除此之外，我還要感謝大家的聆聽。 我真的很感激，如果您有任何問題或意見，我們非常歡迎。 謝謝。 |
