Conférencier
|
Transcription
|
| Brad Foulkes |
Merci d'avoir assisté à ma conférence sur Mais que dois-je faire maintenant ? Utilisation d'un modèle de fiabilité pour effectuer des prédictions d'événements dans JMP. |
| |
Très souvent, on me demande... Une fois que j'ai construit un modèle de fiabilité, qu'est-ce que j'en fais réellement ? Et souvent, les gens oublient que vous pouvez utiliser un modèle de fiabilité pour faire des prédictions sur le moment où les événements se produiront réellement. |
| |
Et pas seulement le premier événement même, peut-être le deuxième, le troisième ou le quatrième événement que ce produit pourrait voir au fil du temps. |
| |
Alors un peu sur moi. Je m'appelle Brad Foulkes. Je suis le directeur de l'ingénierie chez Optimal Analytics, où nous travaillons avec des entreprises pour essayer de les aider à comprendre leurs données, identifier les obstacles et les faire avancer plus efficacement. |
| |
Avant ce poste, j'ai travaillé dans l'ingénierie de la fiabilité pendant environ neuf ans, travaillant sur la façon dont nous pouvons comprendre la fiabilité des pièces et déterminer quand les pièces se cassent réellement au fil du temps. |
| |
J'utilise JMP depuis environ huit ans, je pense autour de JMP 10. Je ne suis pas sûr, c'était il y a un certain temps, alors j'oublie sur quelle version nous étions... J'étais sur ce moment-là. |
| |
Dans mes outils JMP préférés, j'aime beaucoup utiliser la distribution de durée de vie car c'est là que se situe la modélisation de la fiabilité. Modèle fit, j'utilise très fréquemment et JSL. |
| |
Les scripts peuvent ouvrir toute une sorte de nouveaux outils et de nouveaux jouets avec lesquels vous pouvez jouer. Alors pourquoi je veux présenter ça aujourd'hui ? |
| |
Car, le plus souvent, cette question se pose à la fin... à la fin de la construction d'un modèle et pas vraiment réfléchie jusque-là. |
| |
Vous pourriez finir un modèle et avoir tout un tas de probabilités et ne pas vraiment savoir quoi faire ensuite. Voici donc une sorte d'option que vous pouvez faire pendant que vous avez construit votre modèle et que vous pouvez continuer à avancer. |
| |
Donc, ce dont nous parlons aujourd'hui autour de la prédiction d'événements, lorsque vous construisez votre modèle, vous êtes habitué à voir fréquemment ce genre de tracé ici. Vous aurez vos temps individuels, |
| |
et peut-être s'agit-il de cycles de vie du matériel ou des produits. Disons que c'est un mixeur, vous savez, ou tout type d'appareil de cuisine ou de petit appareil de cuisine qui ne dure peut-être pas |
| |
un laps de temps terriblement long. Certains d'entre eux vont donc échouer très tôt; certains échoueront très tard. |
| |
Mais en fin de compte, vous vous retrouvez avec une probabilité d'échec, lorsque ces choses vont... vont se produire. Alors ici, vous pourriez venir ici et dire, d'accord, environ 90 % des échecs vont se produire d'ici quatre ans. |
| |
Eh bien, c'est super. Cela vous aide en quelque sorte à comprendre une première défaillance et peut-être à mettre une probabilité de défaillance de pièces sur le terrain, mais pour une personne qui doit réellement acheter ces choses ou les utiliser, cela ne l'aide pas beaucoup. |
| |
Pour un client qui les utilise réellement, il ne se soucie pas, vous savez, combien de temps cela va durer. Ils ne voudront peut-être pas savoir combien vais-je devoir en acheter sur une période donnée, |
| |
peut-être dans un cycle de vie global. Ils veulent seulement regarder un 10 ans, combien d'entre eux dois-je acheter en 10 ans pour qu'il survive. |
| |
C'est donc là qu'intervient la prédiction d'événement. Et ce qu'est vraiment la prédiction d'événement, c'est de prendre votre distribution et de la retourner en quelque sorte, donc d'avoir toujours votre, vous savez, votre distribution de temps. |
| |
Quelle est la durée des événements que vous avez ici, puis la probabilité d'un événement. Et donc maintenant |
| |
vous pouvez voir à quelle fréquence certains de ces événements se produisent. Alors peut-être que le premier événement se produit ici vers huit ans et demi, le deuxième événement se produit à neuf ans et demi, |
| |
le troisième événement... mais ce n'est qu'un seul client. Et donc c'est tout un client, un cas d'utilisation, et donc, pour eux, vous savez, leur temps jusqu'à l'échec |
| |
regarde toutes ces pièces ici, regarde tous ces intervalles et ces remplacements. Alors ça ici, |
| |
c'est plus de 20 ans qu'un client regarde cela. Ils peuvent... alors ils voudront savoir... J'ai besoin de ou pour survivre à ces 20 ans, j'aurai besoin d'au moins trois parties. |
| |
Ainsi, en utilisant une partie de cette sélection aléatoire et de cette simulation, vous pouvez comprendre à quelle fréquence ces pièces doivent être remplacées et à quelle fréquence un client peut avoir besoin d'acheter votre produit. |
| |
Alors, comment est-ce pratique? D'accord, il s'agit donc vraiment de remplacements. |
| |
Et les remplacements étant, à quelle fréquence mettez-vous une nouvelle pièce, ou une pièce aussi bonne que neuve, là-dedans ? Donc |
| |
un système réparable et un système non réparable. Et un système réparable est un système où vous pouvez obtenir des choses juste à la hauteur |
| |
le point qu'il peut fonctionner à nouveau, et peut-être qu'il n'est pas aussi bon que neuf. Disons que vous avez un trou dans votre pneu. Vous colmatez la fuite et vous continuez. |
| |
C'est réparé. Mais que se passerait-il si vous pouviez réparer le pneu au point qu'il soit comme neuf et qu'il ne tombera plus jamais en panne ? |
| |
Maintenant, avec le pneu, ce n'est peut-être pas si pratique, mais avec d'autres choses, vous pouvez remplacer une pièce, ou peut-être devez-vous couper une partie d'une pièce et remplacer uniquement celle-là ou cette pièce qui a échoué. |
| |
Obtenir une pièce comme neuve peut en faire un système non réparable. Ainsi, même si vous avez effectué une réparation, pour qu'elle soit comme neuve, |
| |
ça change un peu les choses. C'est une mise en garde géante, vous savez. |
| |
ils ont réparé et ils réparent comme neuf et ils pensent, eh bien, c'est un système réparable, mais pour le monde de la fiabilité, ce n'est pas le cas. D'accord, alors je m'éloigne un peu de cette tribune. |
| |
Retour aux remplacements. Lorsque nous examinons une sorte de système unique, |
| |
vous pourriez regarder quelque chose ici et dire, d'accord, vous savez, |
| |
pour un seul système, |
| |
à quelle fréquence les pièces tombent-elles en panne ? Et donc, si nous examinons un seul client, à quelle fréquence les achètent-ils ? Et donc la première partie a duré quatre ans ici. |
| |
Ensuite, ils ont dû en acheter un deuxième. Celui-là n'a duré que 1,3 an, puis ils ont dû en acheter un troisième, et celui-ci est devenu un gangbuster et a duré huit ans. |
| |
Donc, en fin de compte, ils ont dû acheter trois pièces en 12 ans, mais il y a une grande variation. Donc, vous voyez cela avec toutes sortes de produits, avec certains téléphones portables, avec |
| |
autres produits pour la maison. Certaines choses échoueront tôt; certaines choses échoueront tard. |
| |
Vous pourriez juste parler avec vos amis et dire, hé, j'ai... j'ai cet horrible téléphone portable. Je ne peux pas croire qu'il ait échoué si tôt. Et ils vous parleront du même téléphone portable qu'ils ont depuis 10 ans. Accordé probablement pas 10 ans mais |
| |
ça peut être un moment. Donc, en fin de compte, pour ce seul système, ce seul client, ils ont dû remplacer une pièce trois fois. |
| |
Maintenant, si nous examinons plusieurs systèmes, nous pouvons nous faire une idée au fil du temps de la fréquence à laquelle ces choses se produisent. Donc |
| |
un client peut avoir ce premier système, puis le deuxième client, peut-être qu'ils ont eu cinq remplacements ou six remplacements en plus... sur à peu près la même période de temps. |
| |
Donc, si nous examinions le premier système, nous pourrions dire, d'accord, nous ne nous attendrions à aucun échec avant au moins la quatrième année ici. |
| |
Mais si nous regardons le deuxième système, ils ont connu un échec la première année. Donc, si nous essayons de déterminer le nombre moyen d'échecs ou le nombre moyen d'événements auxquels nous pouvons nous attendre au cours de la première ou de la deuxième année, |
| |
ce premier système ne nous dit pas grand-chose. Donc c'est là que, si vous n'avez pas les données et... mais vous avez votre distribution dans votre modèle où la bêta et l'êta pour votre Weibull ou quelque chose comme ça, |
| |
vous pouvez utiliser la simulation pour essayer de déterminer à quelle fréquence certains clients s'attendent à des événements au cours de l'année 1, 2, 3 et qui vont beaucoup plus loin que les données dont vous disposez réellement. |
| |
En faisant cela, en examinant ces multiples systèmes et en regardant cette simulation, vous pouvez en quelque sorte comprendre et commencer à voir une tendance de la fréquence à laquelle |
| |
ces pièces vont être remplacées d'année en année. Ainsi, bien que ces données ici puissent n'avoir été construites qu'à partir d'événements de sept ans, |
| |
pour le temps calendaire ou pour le temps client, il va y avoir une sorte de pic et ensuite cela se stabilisera à une sorte de niveau plat de remplacements. Maintenant |
| |
avec une simulation, vous allez voir des rebonds, et c'est ce que vous voyez ici. Si nous avons une solution de forme fermée à cela, nous aurions une belle ligne droite, mais |
| |
avec la simulation, nous obtenons une certaine variation. C'est ce que vous voyez ici. Donc, vous pouvez tracer, en quelque sorte, une ligne et voir que vous savez, en moyenne, |
| |
une personne peut s'attendre à en remplacer, vous savez, un tiers par an. Donc, après trois ans, vous pourriez vous attendre à avoir un remplaçant, une fois qu'il sera en marche. Donc quelques-uns au début, puis ça se stabilise. |
| |
Voyons donc un exemple de ce que je veux dire par là. |
| |
Nous avons ici un tableau de données et ici, j'ai un modèle. Et donc ce modèle n'est qu'un Weibull aléatoire. Et donc si vous n'êtes pas familiarisé avec les différentes fonctions que vous pouvez utiliser dans JMP, |
| |
vous pouvez utiliser un Weibull aléatoire, un quantile de Weibull, une distribution de Weibull, une densité de Weibull. Et ce sont toutes des fonctions que vous pouvez appliquer à différentes distributions. |
| |
Dans ce cas, nous choisissons un ensemble aléatoire de points à partir d'une distribution particulière. Ma distribution a une bêta de 1.2 et une eta de 3. |
| |
Donc, en choisissant ces événements aléatoires...aléatoires ici, |
| |
ce sont tous des événements individuels, et c'est ce qui finirait par entrer dans votre modèle. Que se passerait-il si vous deviez construire un modèle sur des défaillances de pièces, ce sont les dates qui finissent généralement par entrer là-dedans. Ce qui se perd, cependant, c'est comment cela affecte réellement le client. Alors au fil du temps |
| |
le client veut peut-être savoir combien d'entre eux je pourrais remplacer dans 20, 30, 40 ans. |
| |
Et c'est là que vous devez regarder le nombre total d'événements système. Et ce n'est que la somme cumulée des temps individuels, donc 8,3 est le premier, 1,2 est le deuxième et ainsi de suite. |
| |
Et donc, lorsque vous passez au deuxième système, nous avons 1,8, 3,9, 5,9, donc c'est juste un compte cumulatif des temps individuels. |
| |
La chose à garder à l'esprit ici est que lorsque vous essayez de calculer une moyenne de tout cela, |
| |
vous regarderiez le numéro du système, mais ensuite l'année où cela s'est réellement produit, donc 1,8 année s'est produite au cours de la deuxième année de fonctionnement. |
| |
Et c'est une distinction importante à garder... à garder à l'esprit ici, parce que vous voulez vous assurer que vous identifiez les échecs dans l'année appropriée. |
| |
Donc, votre 0,6, alors que... si c'était le premier, ce serait la première année, cela ne fait qu'incrémenter l'année... l'heure du système... les années du système par un ici. |
| |
Donc, ayant ceci, vous pourriez penser, d'accord, eh bien, maintenant que nous avons tout cela, nous pouvons compter notre nombre d'événements et regarder ce système, l'année et effectuer une belle petite analyse. JMP a donc en fait un bel outil qui fera tout cela pour vous. |
| |
Donc |
| |
dans JMP, il existe un outil appelé simulation de systèmes réparables. |
| |
Et cet outil, |
| |
Je le sais... Je crois que c'est arrivé comme JMP 13, peut-être JMP 14. Il existe depuis quelques années. |
| |
Je ne sais pas s'il reçoit autant de publicité qu'il le devrait, car c'est un outil incroyablement puissant que je pense que beaucoup de gens n'apprécient pas ici. |
| |
Donc, ce que c'est, c'est que vous regardez un système ici. Et donc peut-être, ou en ce moment, j'ai deux parties ici, mais peut-être que mon système est en fait |
| |
sept ou huit pièces, ou c'est une boîte de vitesses entière, ou une pompe, ou quelque chose comme ça. Et vous avez toutes ces pièces qui fonctionnent ensemble, que si l'une d'entre elles échoue, |
| |
vous savez, tout le système tombe en panne, et vous voulez donc comprendre quel est l'événement, quelles sont les heures de l'événement là-bas. Donc, dans chacun d'eux, vous exposeriez quel est votre Weibull ou quel est votre modèle, et ici j'ai une bêta 1.2 et un alpha de 15. |
| |
C'est une unité de temps en années, je peux certainement choisir différentes distributions si je... si je le souhaite. |
| |
Et puis je peux dire ce qui se passe si un événement se produit. Donc, si un bloc... alors ici, j'ai un échec de bloc, que se passe-t-il si un échec se produit réellement ? |
| |
Et le résultat est de remplacer par du neuf, donc je veux juste remplacer la pièce. Maintenant, il y a beaucoup d'options différentes ici, peut-être que je pourrais faire une réparation minimale, mais à la place j'ai dit, je veux la remplacer par une toute nouvelle pièce, donc ça va être un modèle comme neuf... comme un nouveau modèle. |
| |
Et puis vous pouvez inclure une quantité de temps d'arrêt. Alors combien de temps pour réparer ça ? Quel était le temps moyen pour réparer? Il peut s'agir d'une valeur constante |
| |
ou cela peut être... vous pouvez dire immédiatement, ne vous souciez même pas du temps que cela prend ou vous pouvez lui donner une liste parmi laquelle choisir. Vous pouvez également lui donner quelques distributions ici. |
| |
Donc, avec ces outils... et maintenant j'ai construit un système très simple ici. J'ai une partie avec ma distribution connue ou j'ai deux parties avec des distributions connues. |
| |
Lorsque l'un ou l'autre échoue, j'ai une heure de remplacement, et donc le second a l'option de choix. |
| |
Et vous pouvez le voir, vous l'avez mis ici. Maintenant, les choix doivent être dans la même unité de temps que votre simulation. |
| |
J'ai donc choisi les années pour être ma simulation. C'est en années, et donc le temps pour se préparer à quelque chose peut n'être qu'une heure, deux heures, peut-être que ce sera une journée. Lorsque vous mettez cela en années, les chiffres deviennent vraiment petits, c'est donc ce que vous voyez ici. |
| |
Je ne vais pas entrer dans toutes les options ici. Comme vous pouvez le voir, il y a beaucoup d'autres choses que vous pouvez faire avec un standby, un K sur N, beaucoup d'entre eux sont destinés à des analyses plus complexes. |
| |
D'accord, j'exécute donc mon analyse et je vais l'exécuter pendant 20 ans, ce qui est répertorié ici, avec un nombre de simulations de 100. Vous voudrez souvent plus que cela, mais à des fins de démonstration, nous allons le définir à 100 et avoir une graine de 1234. |
| |
Alors, alors, j'obtiens cette belle grosse sortie ici, et la sortie initiale est toujours appelée numéro, ce qui est très utile. |
| |
Mais vous pourriez regarder ça et aller bien, qu'est-ce que je fais avec n'importe lequel de ces trucs ? Et vous pouvez venir ici et vous pouvez lancer cette analyse et |
| |
peut-être voulez-vous examiner le temps d'arrêt total par composant. Donc, cela dit, vous savez, comment... ou quelle est la répartition des temps d'arrêt qu'un composant pourrait voir ? |
| |
Mais cela ne répond jamais réellement à la question de plus de 20 ans, combien de fois vais-je devoir remplacer cette pièce ? |
| |
Alors j'ai écrit un script et donc quand vous... quand vous téléchargerez ce journal, il y aura tous ces scripts qui s'y trouvent. |
| |
Je l'ai défini comme un bouton, mais le script réel est bien en dessous ici pour votre référence, si vous souhaitez l'utiliser. |
| |
Je vais donc cliquer sur le bouton et tout un tas de choses vont se passer. Je suis donc maintenant entré et j'ai calculé à quelle fréquence je m'attends à ce que ces événements se produisent, d'une année à l'autre. Donc du point de vue du système, |
| |
J'ai sous-ensemble mes événements d'échec et défini ma valeur d'année. Donc, vous vous souviendrez peut-être que la valeur de l'année s'arrondit, donc 3,8 ans est 4. |
| |
Maintenant, cela regarde l'heure du calendrier, cela regarde l'heure système que nous pourrions utiliser. Il ne tient pas compte du temps individuel, donc le temps entre chacun d'eux, vous savez, pour la rangée une à la rangée deux est de 1,8 an environ. |
| |
Mais parce que nous examinons le système, nous comptons en fait les 5,69. |
| |
Maintenant, je veux transformer cela en... Je veux transformer toutes ces valeurs en quelque chose d'utile. |
| |
La chose importante à retenir, cependant, est que vous devez... lorsque vous recherchez un nombre moyen d'événements chaque année, vous devez examiner les années où aucun événement ne s'est produit. Ainsi, dans cette première simulation, le premier événement se produit au cours de la quatrième année, |
| |
mais j'ai besoin de zéros pour un, deux et trois, et c'est ce que fait mon script. Mon script va en quelque sorte dans des ensembles |
| |
modèle de ce que je veux regarder. Je veux donc regarder la première partie, je veux regarder la valeur de l'année et l'ID de simulation, puis regarder quand les événements se sont réellement produits. Vous pouvez donc voir ici que le premier événement de la première partie se produit au cours de la dixième année. |
| |
Et donc, lorsque cela est ajouté ici, c'est ce qui est mis à jour dans l'analyse. Si je descends jusqu'à la deuxième partie... |
| |
lorsque vous faites défiler jusqu'à la deuxième partie pour la première simulation, |
| |
il n'y a pas d'événements. |
| |
Le premier événement pour la simulation n'est que... |
| |
jusqu'à la quatrième année. Donc si je descends jusqu'à la quatrième année |
| |
pour la deuxième partie, cela montrera que j'ai un événement dans la simulation un, d'accord. Il s'agit donc simplement d'aligner ces événements pour toutes les combinaisons possibles d'années où cela pourrait se produire. |
| |
Eh bien, ayant ce niveau d'information, maintenant que j'ai cela dans toutes les... toutes les simulations, vous avez vu que j'avais 4 000 enregistrements, maintenant que c'est juste toutes les permutations possibles d'année, de simulation et de partie. |
| |
Mais vraiment, je veux faire la moyenne de ceux-ci. Je fais donc la moyenne et je veux regarder le nombre de simulations, c'est-à-dire le nombre de lignes, la valeur de l'année, puis la pièce. Je descends à 40 lignes, beaucoup plus gérables et beaucoup plus faciles à comprendre. |
| |
Ce que vous voyez ici pour la deuxième partie, c'est que nous avons ce petit pic au début, puis il se stabilise en quelque sorte. Et |
| |
il rebondit parce que c'est la simulation et nous n'avons exécuté que 100 événements, mais... ou 100 simulations, mais nous avons une sorte d'état stable de remplacements que nous pourrions voir. |
| |
Si nous devions essayer d'examiner cela d'un point de vue cumulatif, c'est ce qui peut indiquer à un client combien il peut s'attendre à en remplacer dans 10 ans. Alors pour la deuxième partie, |
| |
disons que le client veut savoir quand vais-je devoir remplacer, vous savez, le premier ? Quel est le tout premier ? Le tout premier |
| |
va se produire entre la quatrième et la cinquième année, comme juste après la quatrième année. Et puis le deuxième arrive juste... ou vers la septième année. |
| |
La troisième survient vers l'an 10. Donc, vous pouvez voir, vous avez en quelque sorte cette petite montée où il n'y a pas beaucoup d'échecs à l'avant, mais ensuite il y a cet état stable et tous les trois ans environ, vous devez remplacer les pièces. |
| |
Cela peut être très utile pour le client, pour la planification de votre entreprise ou même pour les efforts de la chaîne d'approvisionnement, si vous vouliez essayer de faire quelque chose comme ça là-bas. |
| |
Ainsi, l'utilisation de cette prédiction d'événement à partir de la simulation des systèmes réparables est un moyen pratique et rapide de donner cette idée ou de comprendre le nombre de pièces, pas seulement la probabilité de défaillance et le moment où cela pourrait se produire. Donc |
| |
une chose... une autre chose dont je veux parler aujourd'hui est un moyen de rendre la simulation des systèmes réparables un peu plus facile. |
| |
Et donc cela peut être intimidant. C'est un nouvel outil, vous ne savez peut-être pas tout ce avec quoi vous travaillez, mais |
| |
si vous... si vous commencez par le modèle, commencez par le tableau, la création de votre simulation de systèmes réparables peut être beaucoup plus facile. |
| |
Donc, au final, pour construire votre modèle, vous avez besoin d'environ 13 données. La plupart de cela se passe en arrière-plan auquel vous n'auriez même pas pensé, mais si vous les présentez dans un tableau et un modèle |
| |
avec ces différentes colonnes ici... Et je dis 13, il en faut en fait moins. J'ai fait quelques modifications ici pour gérer quelques petites choses intéressantes que vous pourriez faire ici. |
| |
Mais vraiment vous avez votre distribution, votre type de modèle, vos paramètres, quelle unité de temps. Ce sont toutes des choses qui sont soit par défaut dans JMP que vous pouvez modifier ou |
| |
que ce sont des choses que vous ajouteriez. Donc, chacun d'entre eux a un, vous savez, si le bloc échoue, que remplacez-vous par un nouveau ? Et ceux-ci que vous pouvez ajuster, vous pouvez connecter ces noms d'événements et ces processus différemment. |
| |
Dans mon monde, nous verrons souvent un changement de comportement. Et peut-être voulons-nous comprendre que les premières années, c'est le taux de remplacement, et puis les secondes années, voici le taux de remplacement. |
| |
Ou vous pourriez avoir des modes de défaillance concurrents dont vous souhaitez tirer parti. Donc, ce que je vais vous montrer ici peut gérer beaucoup de cela. |
| |
Excusez-moi, ce n'est en aucun cas parfait. Cette |
| |
devrait certainement être adapté à votre propre cas d'utilisation, mais, en fin de compte, commencer par un modèle est un moyen incroyable d'accélérer votre développement et |
| |
pour vous permettre de pouvoir faire des ajustements...faire de petits ajustements à la volée. Donc si j'ai ça, j'ai un joli petit script ici, où, si je clique sur le script, il produit ma simulation de systèmes réparables pour moi. |
| |
Et si je regarde par ici, j'ai ma première... ma première partie avec un beta 1.86 ou 826, un alpha de 153. |
| |
Et il s'agit vraiment de prendre cette table et de la transformer en simulation de systèmes réparables. Tu peux faire |
| |
quelque chose d'encore plus complexe. Alors laissez-moi fermer celui-là. |
| |
Et donc ici, j'ai 14 parties. Je pourrais changer n'importe laquelle de ces distributions si je veux, |
| |
mais j'ai d'autres types d'événements que je veux regarder ici. Je veux diviser ma distribution où |
| |
il change ou change de forme après un certain nombre de temps. Peut-être que j'essaie de modéliser une introduction de produit, vous savez, une mise à niveau de produit qui s'étend à toute la flotte. Ou peut-être que j'ai un mode de défaillance concurrent ici et je veux en tenir compte. |
| |
Donc, si je veux bien, vous savez... en utilisant ce modèle dans le script, cela me permet de gérer tout cela de manière très simple. Maintenant, vous avez vu à quel point c'était rapide. Qu'est-ce que c'est, une seconde ou deux pour |
| |
générer ce modèle ? Maintenant, si je veux en créer un autre, peut-être, peut-être que je veux que ce soit un |
| |
journal normal. |
| |
Je peux le faire ici, et puis |
| |
viens à mon script |
| |
et |
| |
et exécutez-le à nouveau. Et je reçois un autre modèle où (voyons, c'était quoi ? Cinquième partie.) |
| |
la cinquième partie est maintenant un journal normal. C'est vraiment facile d'essayer différentes itérations, d'essayer différents modèles, et cela en génère un nouveau à chaque fois, |
| |
étiqueter le diagramme comme votre table ici. C'est donc un moyen pratique d'effectuer une analyse et de comprendre vos prévisions d'événements à l'aide de ce modèle, en utilisant le script intégré ici pour effectuer l'analyse et comprendre vos prévisions d'événements au fil du temps. |
