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 qu’il est possible d’utiliser un modèle de fiabilité pour prédire le moment où des événements se produiront réellement. |
| |
Et pas seulement le premier événement, peut-être le deuxième, le troisième ou le quatrième événement que ce produit pourrait connaître au fil du temps. |
| |
Alors un peu sur moi. Je m'appelle Brad Foulkes. Je suis directeur de l'ingénierie chez Optimal Analytics, où nous travaillons avec des entreprises pour essayer de les aider à comprendre leurs données, à identifier les obstacles et à les faire avancer plus efficacement. |
| |
Avant ce poste, j'ai travaillé dans l'ingénierie de la fiabilité pendant environ neuf ans, cherchant à comprendre la fiabilité des pièces et à déterminer quand les pièces se briseront 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 quelque temps, donc j'ai oublié sur quelle version nous étions... J'étais sur à 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 adapté, 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 est-ce que je veux présenter cela aujourd’hui ? |
| |
Parce que, le plus souvent, cette question revient à la fin... à la fin de la construction d'un modèle et n'a pas vraiment été réfléchie jusque-là. |
| |
Vous pourriez terminer un modèle et avoir tout un tas de probabilités sans 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. |
| |
Donc, ce dont nous parlons aujourd'hui concernant la prédiction d'événements, lorsque vous construisez votre modèle, vous avez l'habitude de voir fréquemment ce type de tracé ici. Vous aurez vos horaires individuels, |
| |
et peut-être qu'il s'agit de cycles de vie de matériel ou de produits. Disons que c'est un mixeur, vous savez, ou tout type d'appareil de cuisine ou petit appareil de cuisine qui ne dure peut-être pas |
| |
une période de temps terriblement longue. Certains d’entre eux vont donc échouer très tôt ; certains échoueront très tard. |
| |
Mais en fin de compte, on se retrouve avec une probabilité d'échec, lorsque ces choses vont... vont se produire. Vous pourriez donc venir ici et dire : d'accord, environ 90 % des échecs se produiront d'ici quatre ans. |
| |
Eh bien, c'est super. Cela vous aide en quelque sorte à comprendre une première panne et peut-être à évaluer la probabilité que des pièces tombent en panne sur le terrain, mais pour une personne qui doit réellement acheter ces choses ou les utiliser, cela ne les aide pas beaucoup. |
| |
Pour un client qui les utilise réellement, il ne se soucie pas de savoir combien de temps cela va durer. Ils ne voudront peut-être pas savoir combien devrai-je en acheter sur une période donnée, |
| |
peut-être dans un cycle de vie global. Ils veulent seulement regarder une période de 10 ans, combien dois-je en acheter dans 10 ans pour qu'elle survive. |
| |
C'est là qu'intervient la prédiction d'événements. Et ce qu'est réellement la prédiction d'événements, c'est prendre votre distribution et la renverser en quelque sorte, afin de toujours avoir, vous savez, votre répartition du 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 vers neuf ans et demi, |
| |
le troisième événement... mais ce n'est qu'un seul client. Et donc tout cela n'est qu'un seul client, un seul cas d'utilisation, et donc, pour eux, vous savez, l'intervalle jusqu'à l'échec |
| |
regarde toutes ces pièces ici, regarde tous ces intervalles et ces remplacements. Alors ça ici, |
| |
cela fait plus de 20 ans qu'un client regarde réellement cela. Ils peuvent... alors ils voudront savoir... J'ai besoin ou pour survivre à ces 20 ans, je vais avoir 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 pourrait avoir besoin d'acheter votre produit. |
| |
Alors, en quoi est-ce pratique ? D'accord, cela se résume donc vraiment à des remplacements. |
| |
Et étant donné les remplacements, à quelle fréquence y mettez-vous une nouvelle pièce, ou une pièce aussi bonne qu'une neuve ? Donc |
| |
un système réparable et un système non réparable. Et un système réparable est un système dans lequel vous pouvez amener les choses à la hauteur. |
| |
au 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 bouchez la fuite et vous continuez. |
| |
C'est réparé. Mais et si vous pouviez réparer le pneu jusqu'à ce qu'il soit comme neuf et qu'il ne tombe plus jamais en panne ? |
| |
Maintenant, avec le pneu, ce n'est peut-être pas très pratique, mais avec d'autres choses, vous pourriez remplacer une pièce, ou peut-être devrez-vous couper une partie d'une pièce et remplacer uniquement celle-là ou cette pièce qui est défectueuse. |
| |
Rendre une pièce comme neuve peut en faire un système non réparable. Ainsi, même si vous avez effectué une réparation, pour le rendre comme neuf, |
| |
ça change un peu les choses. C'est une énorme mise en garde, vous savez. Vous devez réfléchir à beaucoup de choses sur ce que signifie « neuf », mais très souvent, je pense qu'une partie... ou que les gens traitent des parties qui |
| |
ils ont réparé et ils réparent comme neuf et ils pensent que c'est un système réparable, mais pour le monde de la fiabilité, ce n'est pas le cas. Très bien, alors je quitte cette tribune pour un moment. |
| |
Revenons aux remplacements. Quand nous envisageons une sorte de système unique, |
| |
vous regardez peut-être quelque chose ici et dites, 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 achète-t-il ? La première partie a donc duré quatre ans ici. |
| |
Ils ont ensuite dû en acheter un deuxième. Celui-là n’a duré qu’un an et demi, puis ils ont dû en acheter un troisième, et celui-ci est devenu un véritable succès et a duré huit ans. |
| |
Donc, en fin de compte, ils ont dû acheter trois pièces en 12 ans, mais il existe une grande variation. Vous voyez donc cela avec toutes sortes de produits, avec certains téléphones portables, avec |
| |
d'autres produits pour la maison. Certaines choses échoueront tôt ; certaines choses échoueront tard. |
| |
Vous parlez peut-être simplement avec vos amis et dites : « Hé, j'ai... J'ai cet horrible téléphone portable. Je ne peux pas croire que cela 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 pourrait prendre un moment. En fin de compte, pour ce système, ce client, ils ont dû remplacer une pièce trois fois. |
| |
Maintenant, si nous examinons plusieurs systèmes, nous pouvons avoir 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 ou six remplacements sur cette période... sur à peu près la même période de temps. |
| |
Donc, si nous examinions le premier système, nous pourrions dire : d'accord, nous ne nous attendons à aucun échec avant au moins la quatrième année. |
| |
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 pourrions nous attendre au cours de la première ou de la deuxième année, |
| |
ce premier système ne nous dit pas grand-chose. C'est donc ici que, si vous n'avez pas les données et... mais que vous avez votre distribution dans votre modèle où la version bêta et l'êta de votre Weibull ou quelque chose comme ça, |
| |
vous pouvez utiliser la simulation pour essayer de déterminer la fréquence à laquelle certains clients s'attendent à des événements au cours des années 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 quant à la fréquence à laquelle |
| |
ces pièces seront remplacées année après année. Ainsi, même si ces données ici n'ont pu être construites qu'à partir de périodes d'événements qui ont duré sept ans, |
| |
pour une période calendaire ou pour une période client, il y aura une sorte de pic, puis 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 avions une solution fermée à ce problème, nous aurions une belle ligne droite, mais |
| |
avec la simulation, nous obtenons une certaine variation. C'est ce que vous voyez ici. Vous pouvez donc tracer une sorte de ligne et voir que vous savez, en moyenne, |
| |
une personne peut s’attendre à en remplacer, vous savez, un tiers de ces appareils par an. Ainsi, après trois ans, vous pouvez vous attendre à avoir un remplaçant, une fois qu'il sera opérationnel. Donc quelques-uns au début, puis ça se stabilise. |
| |
Alors regardons 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 familier 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 version bêta de 1,2 et une version bêta de 3. |
| |
Donc, en choisissant ces événements 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 les défaillances de pièces, ce sont les dates qui finissent généralement par y figurer. Ce qui est perdu, cependant, c’est la manière dont cela affecte réellement le client. Donc 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 examiner la durée totale des événements du 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 décompte cumulé des temps individuels. |
| |
La chose à garder à l'esprit ici est que lorsque vous essayez de faire une moyenne de tout cela, |
| |
vous examineriez le numéro du système, mais ensuite l'année où cela s'est réellement produit, donc 1,8 an s'est produit au cours de la deuxième année de fonctionnement. |
| |
Et c'est une distinction importante à garder... à garder à l'esprit ici, car vous voulez vous assurer que vous identifiez les échecs au cours de l'année appropriée. |
| |
Donc votre 0,6, alors que... si c'était le premier, ce serait la première année, cela ne fait en réalité qu'augmenter l'année... le temps du système... les années du système d'une ici. |
| |
Donc, ayant cela, 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 petite analyse sympa. JMP dispose donc d’un outil intéressant 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 cela s'est produit comme le JMP 13, peut-être le JMP 14. Cela 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 pour le 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, et si l'une d'entre elles tombe en panne, |
| |
vous savez, tout le système tombe en panne, et vous voulez donc comprendre quel est l'événement, quelles sont les heures des événements là-bas. Donc, dans chacun d'entre eux, vous exposeriez ce qu'est votre Weibulll ou quel est votre modèle, et ici j'ai une version 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... donc 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 existe de nombreuses options différentes ici, je pourrais peut-être faire une réparation minimale, mais à la place, j'ai dit, je veux la remplacer par une toute nouvelle pièce, donc ce sera un modèle comme neuf... comme neuf. |
| |
Et puis vous pouvez inclure une certaine quantité de temps d’arrêt. Alors combien de temps pour réparer ça ? Quel a été le temps moyen de réparation ? Cela peut être 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. |
| |
Il en est de même avec ces outils... et maintenant j'ai construit ici un système très simple. 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 un temps de remplacement, et donc le second a l'option de choix. |
| |
Et vous pouvez voir, vous l'avez mis ici. Désormais, les choix doivent être dans la même unité de temps que votre simulation. |
| |
J'ai donc choisi les années comme simulation. Cela se compte en années, et donc le temps nécessaire pour se préparer à quelque chose pourrait n'être qu'une heure, deux heures, peut-être une journée. Cependant, lorsque vous mettez cela en années, les chiffres deviennent très 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 une veille, un K sur N, dont beaucoup sont destinées à des analyses plus complexes. |
| |
Très bien, je lance donc mon analyse et je vais la faire pendant 20 ans, ce qui est répertorié ici, avec un nombre de simulations de 100. Vous en voudrez souvent plus, mais à des fins de démonstration, nous allons le fixer à 100 et avoir une valeur de départ de 1 234. |
| |
Alors, j'obtiens cette belle grosse sortie ici, et la sortie initiale est toujours appelée nombre, ce qui est très utile. |
| |
Mais vous pourriez regarder ça et aller bien, que dois-je faire avec tout ça ? Et vous pouvez venir ici et lancer cette analyse et |
| |
vous voudrez peut-être 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 peut connaître ? |
| |
Mais cela ne répond jamais réellement à la question qui se pose depuis plus de 20 ans : combien de fois vais-je devoir remplacer cette pièce ? |
| |
J'ai donc écrit un script et donc lorsque vous... lorsque vous téléchargerez ce journal, il contiendra tous ces scripts qui s'y trouvent. |
| |
Je l'ai défini comme un bouton, mais le script lui-même se trouve juste en dessous ici pour votre référence, si vous souhaitez l'utiliser. |
| |
Je vais donc simplement cliquer sur le bouton et tout un tas de choses vont se produire. Je suis donc maintenant entré et j'ai calculé à quelle fréquence je m'attends à ce que ces événements se produisent, année après année. Donc du point de vue du système, |
| |
J'ai divisé mes événements d'échec et défini la valeur de mon année. Vous vous souviendrez peut-être que la valeur de l’année est arrondie, donc 3,8 ans équivaut à 4. |
| |
Maintenant, cela regarde l'heure du calendrier, cela regarde l'heure du système que nous pourrions utiliser. Cela ne prend pas en compte le temps individuel, donc le temps entre chacun d'eux, vous savez, pour les rangées un à deux est d'environ 1,8 ans. |
| |
Mais parce que nous examinons le système, nous comptons en fait les 5,69. |
| |
Maintenant, je veux transformer cela... Je veux transformer toutes ces valeurs en quelque chose d'utile. |
| |
La chose importante à retenir, cependant, c'est que vous devez... lorsque vous recherchez un nombre moyen d'événements chaque année, vous devez examiner les années où aucun événement n'a eu lieu. Donc dans cette première simulation, le premier événement se produit 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 décors |
| |
modèle de ce que je veux regarder. Je veux donc examiner la première partie, je veux examiner la valeur de l'année et l'ID de simulation, puis voir quand les événements se sont réellement produits. Vous pouvez donc voir ici que l'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, |
| |
là... il n'y a pas d'événements. |
| |
Le premier événement pour la première simulation n'aura lieu 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 première simulation, d'accord. Il s’agit donc simplement d’aligner ces événements pour toutes les combinaisons possibles d’années pendant lesquelles cela pourrait se produire. |
| |
Eh bien, ayant ce niveau d'information, maintenant que je l'ai dans toutes les... toutes les simulations, vous avez vu que j'avais 4 000 enregistrements, maintenant que ce ne sont que toutes les permutations possibles d'année, de simulation et de pièce. |
| |
Mais je veux vraiment faire une moyenne. Je fais donc la moyenne et je veux examiner le nombre de simulations, c'est-à-dire le nombre de lignes, la valeur de l'année, puis la pièce. J'arrive 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 cela se stabilise en quelque sorte. Et |
| |
ça rebondit parce que c'est la simulation et nous n'avons organisé 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 dans une perspective cumulative, c’est ce qui peut indiquer à un client combien il pourrait s’attendre à en remplacer dans 10 ans. Donc pour la deuxième partie, |
| |
disons que le client veut savoir quand devrai-je remplacer, vous savez, le premier ? Quel est le tout premier ? Le tout premier |
| |
cela 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. |
| |
Le troisième se produit vers la dixième année. Vous pouvez donc voir que vous avez en quelque sorte cette petite ascension où il n'y a pas beaucoup de pannes au départ, mais ensuite il y a cet état stable et tous les trois ans environ, vous finissez par devoir 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 souhaitez 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, et pas seulement la probabilité de panne 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. |
| |
Cela peut donc 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 avec le modèle, commencez par le tableau, la création de votre simulation de systèmes réparables peut être beaucoup plus facile. |
| |
En fin de compte, pour construire votre modèle, vous avez besoin d’environ 13 éléments de données. La plupart de ces événements se déroulent en arrière-plan, ce à quoi 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 vous en faut en fait moins. J'ai apporté quelques modifications ici pour gérer certaines petites choses intéressantes que vous pourriez faire ici. |
| |
Mais en réalité, 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 et que vous pouvez modifier, soit |
| |
que ce sont des choses que vous ajouteriez. Donc chacun d'entre eux a un, vous savez, si le bloc tombe en panne, que remplacez-vous par un nouveau ? Et vous pouvez les 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 deuxièmes 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 une grande partie de cela. |
| |
Excusez-moi, ce n'est en aucun cas parfait. Ce |
| |
doit certainement être adapté à votre propre cas d'utilisation, mais, en fin de compte, commencer avec un modèle est un moyen incroyable d'accélérer votre développement et |
| |
pour vous permettre de faire des ajustements...faire de petits ajustements à la volée. Donc, si j'ai ceci, j'ai un joli petit script ici, où, si je clique sur le script, il produit pour moi ma simulation de systèmes réparables. |
| |
Et si je regarde ici, j'ai ma première... ma première partie avec une bêta 1,86 ou 826, un alpha de 153. |
| |
Et il s'agit simplement 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 modifier n'importe laquelle de ces distributions si je le souhaite, |
| |
mais j'ai d'autres types d'événements que je souhaite examiner ici. Je souhaite diviser ma distribution où |
| |
il change ou change de forme après un certain temps. J'essaie peut-être de modéliser une introduction de produit, vous savez, une mise à niveau de produit qui s'étend à l'ensemble de la flotte. Ou peut-être que j'ai un mode d'échec concurrent ici et que 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 d'une manière très simple. Maintenant, vous avez vu à quel point cela s'est passé rapidement. Qu'est-ce que c'est, une seconde environ 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 ensuite |
| |
viens voir mon script |
| |
et |
| |
et réexécutez-le. 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 étant votre tableau ici. C'est donc un moyen pratique d'effectuer une analyse et de comprendre vos prédictions d'événements à l'aide de ce modèle, en utilisant le script intégré ici pour effectuer l'analyse et comprendre vos prédictions d'événements au fil du temps. |
