11.10.2020 Formation de modélisme
Présentateur : Kemal Oflus
Regarder l'enregistrement | PPP
Qu'est-ce qu'un modèle statistique ?
Les modèles statistiques sont utilisés pour quantifier la relation entre un ou plusieurs facteurs (entrées, X) et une réponse (sortie, Y). Votre objectif de modélisation peut être d'expliquer ou de prédire. Un modèle statistique peut vous aider à :
- identifier les facteurs les plus importants (expliquer)
- comprendre comment la réponse change en fonction des facteurs (expliquer)
- quantifier la variabilité de la réponse expliquée par les facteurs et leurs interactions. (Explique)
- faire des prédictions sur les résultats futurs (prédire)
Qu'est-ce que le surajustement de modèle ?
Un modèle de surajustement est un modèle statistique c'est plus complexe que nécessaire .Le surajustement modélise le bruit dans les données, plutôt que la véritable relation entre les facteurs.Conséquence du surajustement : votre modèle ne va pas bien prédire et peut accorder trop de confiance à une prédiction ou à un résultat peu fiable... ce qui entraîne une augmentation des coûts, du gaspillage, des délais manqués, etc.
Quand utiliser la modélisation statistique ?
- Vous passez beaucoup de temps à gérer des problèmes imprévus.
- Vos efforts de résolution de problèmes produisent des résultats imprévisibles - et le même problème ou un problème connexe se reproduit.
- Vous sentez que vous n'avez pas une image complète et que vous devez prendre des décisions basées sur des informations incomplètes.
- Vous transférez des produits et des processus avec une compréhension limitée de leur fonctionnement.
- Vous vous sentez coincé dans un cercle vicieux où la gestion de problèmes ou de processus existants limite votre temps pour l'optimisation, l'innovation et le nouveau développement.
Quels sont les avantages de la modélisation statistique ?
- Réduire le nombre de cycles d'apprentissage.
- Réduisez le temps total de résolution de problèmes.
- Accroître la prévisibilité des activités d'amélioration et de résolution de problèmes.
- Accroître la compréhension utile (la création de connaissances/décisions incomplètes à partir de vos données peut entraîner de fausses solutions)
- Prendre des décisions durables dans les délais requis.
- Transférez une connaissance plus complète des processus à vos collègues en amont.
- Augmentez le temps disponible pour les nouveaux projets afin de développer les opportunités futures, car il est moins probable que le même problème revienne pour être résolu encore (et encore).
Quels sont les types de modèles les plus courants ?
|
| Taper |
Ce qu'il fait |
Aide les utilisateurs à |
| La régression linéaire multiple |
- Prédit la valeur de réponse moyenne en fonction des valeurs de plusieurs prédicteurs/facteurs.
- Le type de modélisation est continu (ex : dollars dépensés)
|
- Identifier et optimiser les caractéristiques essentielles à la qualité, dans le but de développer des produits à faible coût et de haute qualité
- Prédire les dépenses des clients en fonction des informations démographiques et des habitudes d'achat historiques
- Développer des stratégies de tarification basées sur la gamme de produits et les caractéristiques des consommateurs
- Prédire le comportement futur à partir des résultats d'expériences
- Prédire le rendement
|
| Régression logistique |
- Modélisez la probabilité qu'un événement se produise.
- Le type de modélisation est catégorique
- nominal - réussite/échec
- multinomial - rouge, bleu vert
- ordinal - petit, moyen, grand
- Couramment utilisé car vous ne disposez pas de données de réponse continues
|
- Identifiez les fraudes potentielles
- Déterminer les causes des articles défectueux dans une chaîne de montage
- Comprendre les raisons du risque de fuite pour les employés
- Déterminer la probabilité d'achat d'un client sur un site Web
- Contrôle de qualité réussite/échec
|
Arbres de décision
(webdiffusion)
|
|
|
Les réseaux de neurones
(webdiffusion)
|
|
|
| Comment les différentes industries utilisent-elles les modèles ? |
| Industrie |
Problèmes typiques essayant de résoudre avec des modèles |
Semi-conducteur
(Page de ressources sur les semi-conducteurs) |
- La gestion du rendement
- Modélisation des défauts
- Regroupement des défauts
|
Pharmaceutique
(Page ressources pharmaceutiques) |
- Recherche et développement
- Optimisation DOE
- Analyse de biomarqueurs
|
Chimique
(page ressources chimiques) |
- Optimisation du mélange
- Entretien préventif
- La gestion du rendement
|
Biens de consommation et produits
(page des ressources CP&G)
|
- Trouver le meilleur ensemble de clients
- Calculs de la valeur à vie du client (CLV)
- Prévision des ventes
- Étude de marché
|
Création de modèles dans JMP
|
Déclaration de valeur : Les utilisateurs de JMP résolvent plus de problèmes scientifiques, d'ingénierie et commerciaux correctement du premier coup, et en moins de temps, en extrayant des informations puissantes des données existantes à l'aide de méthodes de modélisation statistique simples et éprouvées, sans avoir besoin d'un solide expérience statistique et sans avoir à utiliser plusieurs plates-formes ou produits.
|
| Options de modélisation dans JMP |
Questions de découverte pour la modélisation dans JMP |
- Régression linéaire multivariée
- Arbres de décision de base
- Réseaux de neurones simples
Utilisé en conjonction avec la modélisation :
- Analyse des composants principaux
- Regroupement
|
Quels problèmes essayez-vous de résoudre avec vos données ?
Faites-vous face à des défis qui ne peuvent être résolus en faisant appel à un jugement d'expert, une simple analyse de feuille de calcul ou en ne faisant varier qu'une seule chose à la fois ?
Êtes-vous obligé de prendre régulièrement des décisions à partir de données ou d'informations incomplètes, limitant votre compréhension des véritables moteurs de processus robustes, efficaces et efficients ?
Quels sont vos points faibles et combien cela coûte-t-il (en temps et en argent) ? Quel est le coût d'une erreur ?
Combien d'outils utilisez-vous actuellement pour analyser vos données ?
À quelle fréquence analysez-vous les données ?
- Vous devez refaire régulièrement des analyses ?
- La nécessité de résoudre les problèmes des processus existants limite-t-elle le temps que vous pouvez consacrer à l'innovation et au développement de nouveaux processus et produits
- Dans quelle mesure est-il important pour vous d'avoir une bonne compréhension du processus ?
|
| Création de modèles dans JMP Pro |
Déclaration de valeur : JMP Pro permet à nos utilisateurs d'explorer et de comprendre les données avec une interface facile à utiliser en fournissant une collection des instruments statistiques les plus pertinents pour analyser les données sans être submergés par des choix et sans avoir besoin de programmer. Ce que JMP Pro offre, c'est TEMPS et CONFIANCE. L'addition de Dépistage du modèle (JMP 16) et Dépôt de formule permet aux modélisateurs de rester dans une seule boîte à outils et de faire quelque chose TRÈS rapidement, ce qui demande généralement beaucoup d'efforts. La validation donne confiance.
|
| Options de modélisation dans JMP Pro |
Questions de qualification pour voir s'ils sont de bons candidats Pro
|
|
- Posez toute question technique. Exemple : Quel type de R-carrés obtenez-vous actuellement avec vos modèles ?
- S'ils disent 0,99, vous savez que JMP Pro n'aura peut-être pas autant d'impact que quelqu'un qui dit 0,30.
- Utilisez-vous la validation croisée ou la régression pas à pas ?
- Dans Pro, vous pouvez utiliser la validation croisée pour éviter de trop ajuster un modèle, ce qui constitue un énorme avantage pour JMP Pro. S'ils ont une compréhension de la validation croisée ou de la régression par étapes, ce qui est généralement un bon signe, ils sont candidats Pro.
|
Plus de ressources de modélisation à partager :
