Bonjour. Mon nom est Najmeh Dehghani.
Je suis un Données Ingénieur à JLL.
je avoir mon Maître Degré dans Analytics depuis Texas SUIS.
Mon pierre angulaire projet est dans Demande de prix Processus Optimisation
pour Pré-conçu Métal Bâtiments.
je obtenir à savoir JMP et SAS dans école à Texas SUIS.
je fondé un merveilleux outil à faire analyse
et effectuer analyse avec que.
Mais en fait, mon pierre angulaire projet est dans les deux dans JMP et aussi Python.
je avoir fait il dans les deux.
Essentiellement, le objectif de mon projet est à prédire le poids
de pré-conçu métal bâtiment par considérant divers géométrique
et géographique exigences.
Allons avoir un introduction à le métal bâtiments.
Métal bâtiments, essentiellement pré-conçu métal bâtiments
sont constructions que utiliser acier cadres à soutien le toit et mur panneau.
Nous peut faire le personnalisations sur eux basé sur le clients exigence.
Ils peut être commercial ou Résidentiel.
Ils avoir un précision parce que ils sont pré-conçu
et le dimensions sont précis.
Ils avoir la flexibilité.
Nous peut changement le conception basé sur le client besoins
et client exigences.
Quoi exactement sur ce projet nous avoir à faire
est que estimation le poids à prédire le prix.
Le acier structure est un critique facteur sur le métal bâtiment prix.
Nous vouloir à voir si nous peut prédire que poids.
Finalement, nous peut prédire le prix
et finalement, nous peut travail sur le Demande de prix processus.
Essentiellement, allons prendre un regarder à le Demande de prix processus.
Quoi est le Demande de prix processus que nous vouloir à optimiser
et quoi est exactement leur actuel système est faire.
Comme je mentionné, le entreprise défis sur main sur ce projet
est à améliorer le Demande de prix processus pour métal bâtiments
et à voir si nous peut améliorer le réponse temps,
réduire le serveur coût,
et atténuer le manquant opportunités pour le entreprise.
À envoyer dehors le Demande de prix à leur client,
essentiellement, ils sont en allant à choisir quelques processus, quelques pas.
Ils revoir le demandes de renseignements que à venir à le entreprise, spécifier le but, taille,
mise en page, conception exigence de le bâtiment.
Ils vérifier tous de le technique spécification,
le charger capacité, toiture et isolation et autre facteurs
à préparer précis citations que couverture tous de le matériaux, travail et coût pour eux,
calculer le prix et envoyer dehors le Demande de prix dos à le clients.
Leur actuel système que traitement le Demande de prix pour eux essentiellement est comme ce.
Ils sont droite maintenant ayant trois les serveurs.
Chaque serveur est traitement à propos 480 Demande de prix par jour.
Le temps chaque Demande de prix volonté prendre à processus est à propos 180 secondes.
Le coût par Demande de prix est environ 75 centimes.
Partage tous de ces ensemble,
nous peut viens en haut avec un nombre de 0,004 $ par deuxième à processus Demande de prix.
À considérer 480 par jour par serveur,
c'est en allant à être 360 $ par jour à processus le Demandes d'offres.
Ils avoir trois les serveurs.
Totalement, c'est en allant à être à propos 1 000 $ par jour pour tous trois les serveurs
à processus le Demandes d'offres.
Si nous considérer 365 jours dans un année, c'est en allant à être à propos 400 000 $ serveur
et entretien coût pour le entreprise à processus tous de le Demandes d'offres.
Essentiellement, nous vouloir à voir si nous peut améliorer ce processus
pour le entreprise par prédire le poids basé de le historique données.
Le méthodes je avoir utilisé sur ce projet
probablement basé tous de le machine apprentissage projets pour prédire.
C'est en allant à être données collection et prétraitement, fonctionnalité ingénierie
et sélection, et modèle sélection.
Allons prendre un regarder.
Nous commencé par définition exactement quoi est le entreprise problème.
Le entreprise problème est que prédire le poids de le bâtiment métallique.
Le données collection et prétraitement est que
comment je poignée ce partie est que à propos 182 SQL les tables étaient fourni à moi
comme un partie de sous-ensemble de historique données depuis le fabricant.
Autour 500 000 enregistrer était inclus dans ceux les tables,
plus que 500 caractéristiques, NOUS données seulement.
je avoir effectué le ETL processus
et nettoyage mon données ensemble bien anormal données dans SAS, Python et JMP
et intégré tous de mon données dans un tableau
avec le aide de ces trois outils.
Mon suivant étape était à, le fonctionnalité sélection ou extraction.
Le préliminaire fonctionnalité sélection, je effectué il départ industriel étude
et aussi obtenir le compétence jugement à éliminer le caractéristiques
que il était vraiment sans rapport à notre cible.
Alors je commencé corrélation analyse à examiner le corrélation
et trouver le multicolinéarité entre mon caractéristiques
à éliminer plus caractéristiques.
Alors descriptif analyse et visualisation à vérifier tous
de le relation entre mon données comme je avoir fait dans JMP, Python,
et Tableau.
Le suivant étape pour moi était à commencer comprendre dehors ou explorant le des modèles,
le algorithmes basé sur le caractéristique de mon données.
Comme mon données était, mon cible est un intégral cible,
donc je commencé à regarder dans le linéaire régression par étapes, aléatoire forêt,
décision arbre, et quelques autre plus algorithme.
Finalement, je qualifié et évaluer différent des modèles dans les deux Python et JMP.
je par rapport le performance métrique et a fait le croix validation
et pli en K validation pour tous de mon des modèles.
Si nous prendre un regarder à ici dans le milieu,
nous peut voir le des modèles que je qualifié mon données sur il.
Quelques de eux sont dans Python, quelques de eux sont dans JMP.
À comparer ce modèle à voir lequel un est le meilleur,
je avait à comparer le des modèles basé sur le ASE,
et aussi à vérifier lequel modèle est effectuer mieux
et aussi vérifier le R au carré à voir comment fermer notre prévision,
notre prédiction en allant à être à le réel données.
Ce est le résiduel parcelle pour tous de le des modèles.
Si toi aller dos ici,
toi peut voir dehors de tous de le des modèles que je avait courir,
je avoir deux des modèles que sont le meilleur,
un décision arbre dans Python et boosté arbre dans JMP.
Si nous prendre un regarder à les deux de eux, nous peut voir la plupart de le caractéristiques
que les deux choisi sont le même, même le importance sont fermer à chaque autre.
Regarder à le ASE,
nous peut voir le ASE pour décision arbre est à propos 4 000,
mais pour le boosté arbre est à propos 2 000, lequel est beaucoup plus mieux.
Aussi, R au carré pour le boosté arbre est un petit peu plus haut.
Le résiduel, si nous regarder à le résidus
depuis les deux des logiciels, nous peut voir le résiduel est vraiment bien,
fermer à le réel valeurs, ou depuis Python est fermer à est autour zéro valeurs.
Les deux modèle sont vraiment bien et ils sont prédire bien.
Il moyens que nous peut prédire le poids
de le bâtiment basé de ce historique données que nous avoir.
Allons voir comment c'est en allant à impact le entreprise ici.
D'accord, nous avoir un bien modèle. Ce modèle est effectuer Bien.
Allons voir si le entreprise vouloir à mettre en œuvre ce modèle,
quoi sont le avantages pour eux?
Le d'abord graphique nous peut voir était le graphique
que je déjà présenté à toi comme leur actuel système.
Nous savoir ils sont chaque serveur, ils avoir trois les serveurs
et chaque serveur est traitement 480 Demande de prix par jour
que totalement il frais 360 $ par jour pour chaque serveur.
Considérer que nous vouloir à processus le même montant de le demandes de prix, 480.
Mais à ce temps, avec exécution le modèle,
nous peut inférieur vers le bas le processus temps à un deuxième
parce que le modèle en allant à juste immédiatement en cours d'exécution et donnant le prix à nous.
Considérant le coût en allant à être par Demande de prix en allant à être le même,
coût par deuxième en allant à être le même, juste traitement temps volonté être un deuxième
dehors de 180 secondes.
Le total coût volonté inférieur vers le bas à 2 $ par jour par serveur.
Alors ils avoir trois les serveurs, c'est en allant à être 6 $.
Si nous considérer, c'est en allant à être 365 jours par année
que tous trois les serveurs sont en cours d'exécution, c'est en allant à être à propos 2 000 $.
Comparant avec actuel coût,
ils sont payant pour le serveur et traitement temps.
C'est presque 99% coût économie pour le entreprise et le entreprise.
Mais étonnamment, ce est pas le seulement coût ils peut sauvegarder.
Le autre coût ils peut sauvegarder est ou ils peut apporter plus opportunités.
Ils sont manquant quelques opportunités.
Droite maintenant, ils sont traitement 480 Demandes d'offres par jour, un serveur.
Mais si nous inférieur vers le bas le traitement temps à un deuxième,
ils peut processus 80 000 Appels d'offres.
Considérant le gagner taux pour eux volonté être 4%.
Droite maintenant, le total nombre ils peut gagner par jour est en allant à être 19.
Mais avec exécution le modèle parce que ils sont traitement plus demande de prix,
donc ils peut gagner plus et ils peut apporter plus opportunités.
En fait, essentiellement ils sont manquant à propos 3 000 opportunités par jour.
Probablement ce est en allant à être plus que leur capacité,
mais ce est un de le points
que ils peut pense à propos leur entreprise développement.
Ce est mon projet à propos ils pourrait avoir prédire un bien modèle et finalement
nous peut voir ils sont en allant à être un énorme entreprise impact pour le entreprise.
J'espère toi apprécier il et remercier toi donc beaucoup à Texas SUIS
et Dr. Jones comme mon pierre angulaire entraîneur.
