こんにちは。 私の名前はナジメデガニ。
私はあるデータエンジニアでJLL。
私持っている私のマスター程度アナリティクスでからテキサス州午前。
私の冠石プロジェクトはで見積依頼プロセス最適化
のためにプレエンジニアリング済み金属建物。
私得るに知るJMPそしてSASで学校でテキサス州午前。
私設立されたある素晴らしい道具にする分析
そして実行する分析とそれ。
しかし実は、私の冠石プロジェクトはで両方でJMPそしてまたパイソン。
私持っている終わりそれで両方。
基本的に、の客観的の私のプロジェクトはに予測するの重さ
のプレエンジニアリングされた金属建物による検討中様々な幾何学的な
そして地理的な要件。
しましょう持っているの導入にの金属建物。
金属建物、基本的にプレエンジニアリングされた金属建物
は構造物それ利用する鋼鉄フレームにサポートの屋根そして壁パネル。
私たちはできるするのカスタマイズの上彼らベースのの上の顧客の要件。
彼らはできるなれコマーシャルまたは居住の。
彼らは持っているの正確さなぜなら彼らははプレエンジニアリングされた
そしての寸法は正確な。
彼らは持っている柔軟性。
私たちはできる変化のデザインベースのの上のお客様ニーズ
そしてお客様要件。
何その通りの上これプロジェクト私たちは持っているにする
はそれ見積もりの重さに予測するの価格。
の鋼鉄構造はある致命的要素の上の金属建物価格設定。
私たちは欲しいに見るもし私たちはできる予測するそれ重さ。
最終的に、私たちはできる予測するの価格
そして最終的に、私たちはできる仕事の上の見積依頼プロセス。
基本的に、しましょう取るある見てでの見積依頼プロセス。
何はの見積依頼プロセスそれ私たちは欲しいに最適化する
そして何はその通り彼らの現在システムはやってる。
として私言及された、の仕事課題の上手の上これプロジェクト
はに改善するの見積依頼プロセスのために金属建物
そしてに見るもし私たちはできる改善するの応答時間、
減らすのサーバ料金、
そして軽減するのない機会のためにの会社。
に送信外の見積依頼に彼らのクライアント、
基本的に、彼らはは行くに選ぶいくつかのプロセス、いくつかのステップ。
彼らはレビューのお問い合わせそれ到来にの会社、特定の目的、サイズ、
レイアウト、デザイン要件のの建物。
彼らはチェック全てののテクニカル仕様、
の負荷容量、屋根ふきそして絶縁そして他の要因
に準備する正確な引用それカバー全てのの材料、労働そして料金のために彼ら、
計算するの価格そして送信外の見積依頼戻るにの顧客。
彼らの現在システムそれ処理の見積依頼のために彼ら基本的にはのようにこれ。
彼らはは右今持っている三つサーバー。
それぞれサーバは処理について480見積依頼あたり日。
の時間それぞれ見積依頼意思取るにプロセスはについて180秒。
の料金あたり見積依頼は約75セント。
分割する全てのこれら一緒に、
私たちはできる来る上とある番号の$0.004あたり2番にプロセス見積依頼。
に考慮する480あたり日あたりサーバ、
その行くになれ360ドルあたり日にプロセスの見積依頼。
彼らは持っている三つサーバー。
完全に、その行くになれについて1,000ドルあたり日のために全て三つサーバー
にプロセスの見積依頼。
もし私たちは考慮する365日々である年、その行くになれについて40万ドルサーバ
そしてメンテナンス料金のためにの会社にプロセス全てのの見積依頼。
基本的に、私たちは欲しいに見るもし私たちはできる改善するこれプロセス
のためにの会社による予測するの重さベースののの歴史的なデータ。
のメソッド私持っている使用済みの上これプロジェクト
おそらくベースの全てのの機械学ぶプロジェクトのために予測すること。
その行くになれデータコレクションそして前処理、特徴エンジニアリング
そして選択、そしてモデル選択。
しましょう取るある見て。
私たちは始めましたによる定義するその通り何はの仕事問題。
の仕事問題はそれ予測するの重さのの金属製の建物。
のデータコレクションそして前処理はそれ
どうやって私ハンドルこれ一部はそれについて182 SQLテーブルだった提供されたに自分
としてある一部のサブセットの歴史的なデータからのメーカー。
その周り500,000記録だった含まれていますでそれらのテーブル、
もっとよりも500特徴、私たちデータのみ。
私持っている実行されましたのETLプロセス
そしてクリーニング私のデータセット大丈夫異常なデータでSAS、パイソンそしてJMP
そして統合された全ての私のデータで1つテーブル
とのヘルプのこれら三つツール。
私の次ステップだったに、の特徴選択または抽出。
の予備特徴選択、私実行されましたそれ起動工業用勉強
そしてまた取得の専門知識判定になくすの特徴
それそれだった本当に無関係に私たちの目標。
それから私始めました相関分析に診るの相関
そして探すの多重共線性間私の特徴
になくすもっと特徴。
それから説明的な分析そして視覚化にチェック全て
のの関係間私のデータとして私持っている終わりでJMP、パイソン、
そしてタブロー。
の次ステップのために自分だったに始める考え出す外または探検するのモデル、
のアルゴリズムベースのの上の特性の私のデータ。
として私のデータだった、私の目標はの積分目標、
それで私始めましたに見ての中への線形回帰段階的に、ランダム森、
決断木、そしていくつかの他のもっとアルゴリズム。
最終的に、私訓練されたそして評価する違うモデルで両方パイソンそしてJMP。
私比較したのパフォーマンスメトリクスそしてしたのクロス検証
そしてk倍検証のために全ての私のモデル。
もし私たちは取るある見てでここでの真ん中、
私たちはできる見るのモデルそれ私訓練された私のデータの上それ。
いくつかのの彼らはでパイソン、いくつかのの彼らはでJMP。
に比較するこれモデルに見るどれの1つはの最高、
私持っていたに比較するのモデルベースのの上のアセ、
そしてまたにチェックどれのモデルは演奏するより良い
そしてまたチェックのR二乗に見るどうやって近い私たちの予報、
私たちの予測行くになれにの実際のデータ。
これはの残留物プロットのために全てののモデル。
もしあなた行く戻るここ、
あなたできる見る外の全てののモデルそれ私持っていた走る、
私持っている二モデルそれはの最高、
ある決断木でパイソンそしてブーストされた木でJMP。
もし私たちは取るある見てで両方の彼ら、私たちはできる見るほとんどのの特徴
それ両方選択されたはの同じ、平の重要性は近いにそれぞれ他の。
探していますでのアセ、
私たちはできる見るのASEのために決断木はについて4,000、
しかしのためにのブーストされた木はについて2,000、どれのは多くのもっとより良い。
また、 R二乗のためにのブーストされた木はある少し少しより高い。
の残留物、もし私たちは見てでの残差
から両方ソフトウェア、私たちはできる見るの残留物は本当に良い、
近いにの実際の価値観、またはからパイソンは近いにはその周りゼロ価値観。
両方モデルは本当に良いそして彼らは予測する良い。
それ手段それ私たちはできる予測するの重さ
のの建物ベースののこれ歴史的なデータそれ私たちは持っている。
しましょう見るどうやってその行くにインパクトの仕事ここ。
わかった、私たちは持っているある良いモデル。 これモデルは演奏する良い。
しましょう見るもしの仕事欲しいに埋め込むこれモデル、
何はの利点のために彼ら？
の初めチャート私たちはできる見るだったのチャート
それ私すでに提示されたにあなたとして彼らの現在システム。
私たちは知る彼らははそれぞれサーバ、彼らは持っている三つサーバー
そしてそれぞれサーバは処理480見積依頼あたり日
それ完全にそれ費用360ドルあたり日のためにそれぞれサーバ。
考慮するそれ私たちは欲しいにプロセスの同じ額のの見積依頼、 480。
しかしでこれ時間、と実装するのモデル、
私たちはできるより低い下のプロセス時間に1つ2番
なぜならのモデル行くにただ即座にランニングそして与えるの価格に私たち。
検討中の料金行くになれあたり見積依頼行くになれの同じ、
料金あたり2番行くになれの同じ、ただ処理時間意思なれ1つ2番
外の180秒。
の合計料金意思より低い下に2ドルあたり日あたりサーバ。
それから彼らは持っている三つサーバー、その行くになれ6ドル。
もし私たちは考慮する、その行くになれ365日々あたり年
それ全て三つサーバーはランニング、その行くになれについて2,000ドル。
比較すると現在料金、
彼らはは支払うのためにのサーバそして処理時間。
そのほとんど99%料金節約のためにの仕事そしての会社。
しかし驚くべきことに、これはないののみ料金彼らはできる保存。
の他の料金彼らはできる保存はまたは彼らはできる持ってくるもっとチャンス。
彼らははないいくつかのチャンス。
右今、彼らはは処理480見積依頼あたり日、 1つサーバ。
しかしもし私たちはより低い下の処理時間に1つ2番、
彼らはできるプロセス80,000見積依頼。
検討中の勝つレートのために彼ら意思なれ4%。
右今、の合計番号彼らはできる勝つあたり日は行くになれ19.
しかしと実装するのモデルなぜなら彼らはは処理もっと見積依頼、
それで彼らはできる勝つもっとそして彼らはできる持ってくるもっとチャンス。
実は、基本的に彼らははないについて3,000機会あたり日。
おそらくこれは行くになれもっとよりも彼らの容量、
しかしこれは1つののポイント
それ彼らはできる考えるについて彼らの仕事発達。
これは私のプロジェクトについて彼らはできた持っている予測するある良いモデルそして最終的に
私たちはできる見る彼らは行くになれある巨大な仕事インパクトのためにの会社。
願っていますあなた楽しむそれそして感謝あなたそれで多くのにテキサス州午前
そして博士。ジョーンズとして私の冠石コーチ。
