Lee Laim sagt, dass Fachkompetenz und statistische Ansätze sich bei Micron ergänzen. Lee Laim begann seine Karriere bei Micron Technology vor mehr als 14 Jahren. Angefangen als Halbleiter-Ertragsingenieur, arbeitete er an der Überwachung der Zuverlässigkeit und der Erträge nach der Montage bei der Produktion von Produkten mit dynamischem Direktzugriffsspeicher (DRAM), kennzeichnete ertragsbegrenzende Prozessabweichungen und führte elektrische Charakterisierung und Fehlerisolierung durch. Schon früh beschäftigte sich Lee mit Industriestatistiken und stieg schnell zum Innovationsmanager auf.
Heute ist er für die Umsetzung der Analytics-Vision des Unternehmens über Industrie 4.0-Initiativen verantwortlich, die Qualitätsverbesserungen und Kosteneinsparungen in jeder Phase des Prozesses vorantreiben Fertigungsablauf .
Obwohl sein Hintergrund in der Halbleitertechnik und Spektroskopie liegt, hat sich Lee zu einem Experten in statistischer Analyse, Data Mining und maschinellem Lernen entwickelt – all dies ergänzt seiner Meinung nach die Fachkompetenz bei Micron.
Ich setzte mich hin, um mit ihr zu reden @leelaim über die Rolle, die er bei Micron gespielt hat, als er sich für den Einsatz statistischer Ansätze einsetzte.
Meg: Sie kamen zuerst als Yield Engineer zu Micron, wahrscheinlich mit nicht allzu viel Erfahrung in Industriestatistik – zumindest vergleichsweise! Aber spulen Sie 14 Jahre vor, und Sie befinden sich in einer Position, die sich ausschließlich der Analytics-Transformation und Industrie 4.0 widmet. Wie, würdest du sagen, hat deine Begeisterung für Analytik deinen bisherigen Karriereweg geprägt?
Lee: Die Menge an Daten, die wir sammeln, erfordert ständige Innovationen bei der Speicherung, dem Abruf und der Analyse von Daten. Ich habe das Gefühl, dass meine derzeitige Rolle als Innovationsmanager ein direktes Ergebnis der unermüdlichen Konzentration auf die Verbindung von Daten mit den Geschäftsanforderungen in meinen früheren Rollen ist. Zu wissen, wie die Daten generiert, gesammelt und gespeichert werden, ist ein Drittel des Kampfes; ein weiteres Drittel weiß, wie man auf die Daten zugreift, sie verfeinert und interpretiert; und das letzte Drittel besteht darin, die Erkenntnisse mit dem größeren Netzwerk zu teilen.
Meg: Was für ein großartiger Punkt, eine direkte Linie zwischen Daten und Geschäftsanforderungen zu ziehen – das ist wirklich das Wesentliche der Analytics-Kultur: Menschen dazu zu bringen, darüber nachzudenken, wie sie Daten nutzen können, um geschäftliche Herausforderungen zu lösen. Welche Art von Erfolgen haben Ihnen geholfen, diese Denkweise aufrechtzuerhalten?
Lee: Verbesserungen rund um die Vereinfachung des Datenzugriffs für mehr Benutzer über APIs haben es einfacher gemacht, Ideen auf den Weg zu bringen und in Produktion zu bringen.
Meg: Welchen Wert hat es, eine Belegschaft aus Ingenieuren und Wissenschaftlern zu haben, die nicht nur Fachexperten, sondern auch statistisch bewandert sind? Hat JMP in irgendeiner Weise die Art und Weise verändert, wie Fachexperten bei Micron ihr Wissen und ihre Fähigkeiten anwenden?
Lee: Domänenexpertise und statistische Ansätze ergänzen sich bei Micron. Fachexperten werden beim abstrakten Denken immer die Oberhand behalten, während der Computer in seiner Fähigkeit, riesige Datenmengen zu verarbeiten, konkurrenzlos ist. JMP ist eine Plattform, die es unseren Fachexperten ermöglicht, ihre Erkenntnisse zu codieren, um sie in großen Datensätzen einzusetzen, was zu einer größeren Wirkung in kürzerer Zeit führt.
Meg: JMP bietet viele verschiedene Ressourcen zum Lernen und Austauschen mit anderen Benutzern – ich denke an Dinge wie das Early Adopter-Programm und Entdeckungsgipfel . Welchen Wert ziehen Sie Ihrer Erfahrung nach aus der Teilnahme an solchen Programmen?
Lee: Mit dem Frühzeitiger Anwender Programm erfahren wir mehr über neue Funktionen in kommenden Versionen. Wir lernen auch verschiedene Möglichkeiten kennen, bestehende Plattformen zu nutzen. Beispielsweise bietet die Verwendung von Bildern als Markierungen im Graph Builder eine intuitive Dimension für die Analyse.
Meg: Welchen Rat würden Sie jemandem geben, der eine ausgereiftere Analytics-Kultur in seinem Unternehmen kultivieren möchte?
Lee: Die analytische Vision muss von oben vorangetrieben werden. Die Abstimmung von Plattformen, Methoden und Schulungen ermöglicht schnellere Entwicklungszyklen.
Meg: Wie wäre es mit Ratschlägen für jemanden, der gerade erst mit JMP anfängt?
Lee: Es braucht einige Zeit, um zu verstehen, wie sich die verschiedenen Datentypen auf verschiedene Analyseplattformen auswirken. Sobald Sie die Datentypen verstanden haben, verwenden Sie den Skript- und Statistikindex, um Analysen zu lernen und auf Ihre Datensätze anzuwenden.
Bauen Sie analytische Exzellenz in Ihrem Unternehmen auf. Finde heraus wie: jmp.com/advocate
