你好。
我的
姓名
是
納杰梅
德赫加尼。
我是 a 數據 工程師 在 仲量聯行
I 有 我的 掌握 程度 在分析領域 從 德州 是。
我的 頂點專案 專案 是 在 詢價 流程 最佳化
為了 預製件 金屬 建築物。
I 得到 到 知道 JMP 和 SAS 在 學校 在 德州 是。
I 創立 a 精彩的 工具 到 做 分析
和 執行 分析 和 那。
但 實際上， 我的 頂點專案 專案 是 在 兩個都 在 JMP 和 也 Python。
I 有 完畢 它 在 兩個都。
基本上， 這 客觀的 的 我的 專案 是 到 預測 這 重量
的 預製件 金屬 大樓 經過 考慮 各種各樣的 幾何的
和 地理 要求。
我們開始吧 有 一個 介紹 到 這 金屬 建築物。
金屬 建築物， 基本上 預製件 金屬 建築物
是 結構 那 利用 鋼 框架 到 支援 這 屋頂 和 牆 控制板。
我們 能 做 這 客製化 在 他們 基於 在 這 顧客 要求。
他們 能 是 商業的 或者 住宅。
他們 有 一個 準確性 因為 他們 是 預製件
和 這 方面 是 精確的。
他們 有 靈活性。
我們 能 改變 這 設計 基於 在 這 顧客 需求
和 顧客 要求。
什麼 確切地 在 這 專案 我們 有 到 做
是 那 估計 這 重量 到 預測 這 價格。
這 鋼 結構 是 a 批判的 因素 在 這 金屬 大樓 定價。
我們 想 到 看 如果 我們 能 預測 那 重量。
最終， 我們 能 預測 這 價格
和 最終， 我們 能 工作 在 這 詢價 過程。
基本上， 我們來吧 拿 a 看 在 這 詢價 過程。
什麼 是 這 詢價 流程 那 我們 想 到 最佳化
和 什麼 是 確切地 他們的 目前的 系統 是 正在做。
作為 I 提及， 這 商業 挑戰 在 手 在 這 專案
是 到 提升 這 詢價 流程 為了 金屬 建築物
和 到 看 如果 我們 能 提升 這 回覆 時間，
減少 這 伺服器 成本，
和 緩解 這 遺失的 機會 為了 這 公司。
到 傳送 出去 這 詢價 到 他們的 客戶，
基本上， 他們 是 去 到 選擇 一些 過程， 一些 步驟。
他們 審查 這 查詢 那 未來 到 這 公司， 指定 這 目的， 尺寸，
佈局， 設計 要求 的 這 建築。
他們 查看 全部 的 這 技術的 規格，
這 載入 容量， 屋頂 和 絕緣 和 其他 因素
到 準備 準確的 引號 那 覆蓋 全部 的 這 材料， 勞動 和 成本 為了 他們，
計算 這 價格 和 傳送 出去 這 詢價 後退 到 這 顧客。
他們的 目前的 系統 那 加工 這 詢價 為了 他們 基本上 是 喜歡 這。
他們 是 正確的 現在 擁有 三 伺服器.
每個 伺服器 是 加工 關於 480 詢價 每 天。
這 時間 每個 詢價 將要 拿 到 流程 是 關於 180 秒。
這 成本 每 詢價 是 大約 75 分。
分割 全部 的 這些 一起，
我們 能 來 向上 和 a 數位 的 0.004美元 每 第二 到 流程 詢價單。
到 考慮 480 每 天 每 伺服器,
它是 去 到 是 360美元 每 天 到 流程 這 詢價單。
他們 有 三 伺服器.
完全， 它是 去 到 是 關於 1000美元 每 天 為了 全部 三 伺服器
到 流程 這 詢價單。
如果 我們 考慮 365 天 在 a 年， 它是 去 到 是 關於 40萬美元 伺服器
和 維護 成本 為了 這 公司 到 流程 全部 的 這 詢價單。
基本上， 我們 想 到 看 如果 我們 能 提升 這 流程
為了 這 公司 經過 預測 這 重量 基於 的 這 歷史 數據。
這 方法 I 有 用過的 在 這 專案
大概 基於 全部 的 這 機器 學習 專案 為了 預測。
它是 去 到 是 數據 收藏 和 預處理， 特徵 工程
和 選擇， 和 模型 選擇。
我們開始吧 拿 a 看。
我們 開始 經過 定義 確切地 什麼 是 這 商業 問題。
這 商業 問題 是 那 預測 這 重量 的 這 金屬建築。
這 數據 收藏 和 預處理 是 那
如何 I 處理 這 部分 是 那 關於 182 SQL 表格 是 假如 到 我
作為 a 部分 的 子集 的 歷史 數據 從 這 製造商。
大約 500,000 記錄 曾是 包括 在 那些 桌子，
更多的 比 500 特徵， 我們 數據 僅有的。
I 有 執行 這 ETL 流程
和 打掃 我的 數據 放 美好的 異常 數據 在 SAS， Python 和 JMP
和 融合的 全部 的 我的 數據 在 一 桌子
和 這 幫助 的 這些 三 工具。
我的 下一個 步 曾是 到， 這 特徵 選擇 或者 萃取。
這 初步的 特徵 選擇， I 執行 它 開始 工業的 學習
和 也 獲得 這 專業知識 判斷 到 排除 這 特徵
那 它 曾是 真的 無關 到 我們的 目標。
然後 I 開始 相關性 分析 到 檢查 這 相關性
和 尋找 這 多重共線性 之間 我的 特徵
到 排除 更多的 特徵。
然後 描述性的 分析 和 視覺化 到 查看 全部
的 這 關係 之間 我的 數據 作為 I 有 完畢 在 JMP， Python，
和 繪畫。
這 下一個 步 為了 我 曾是 到 開始 計算 出去 或者 探索 這 模型，
這 演算法 基於 在 這 特徵 的 我的 數據。
作為 我的 數據 曾是， 我的 目標 是 一個 不可缺少的 目標，
所以 I 開始 到 看 進入 這 線性 回歸 逐步地， 隨機的 森林，
決定 樹， 和 一些 其他 更多的 演算法.
最終， I 受過訓練 和 評價 不同的 模型 在 兩個都 Python 和 JMP。
I 比較的 這 表現 指標 和 做過 這 叉 驗證
和 k折 驗證 為了 全部 的 我的 模型。
如果 我們 拿 a 看 在 這裡 在 這 中間，
我們 能 看 這 模型 那 I 受過訓練 我的 數據 在 它。
一些 的 他們 是 在 Python， 一些 的 他們 是 在 JMP。
到 比較 這 模型 到 看 哪個 一 是 這 最好的，
I 有 到 比較 這 模型 基於 在 這 ASE，
和 也 到 查看 哪個 模型 是 表演 更好的
和 也 查看 這 R平方 到 看 如何 關閉 我們的 預報，
我們的 預言 去 到 是 到 這 實際的 數據。
這 是 這 殘餘 陰謀 為了 全部 的 這 模型。
如果 你 去 後退 這裡，
你 能 看 出去 的 全部 的 這 模型 那 I 有 跑步，
I 有 二 模型 那 是 這 最好的，
a 決定 樹 在 Python 和 增強 樹 在 JMP。
如果 我們 拿 a 看 在 兩個都 的 他們， 我們 能 看 最多 的 這 特徵
那 兩個都 選定 是 這 相同的， 甚至 這 重要性 是 關閉 到 每個 其他。
尋找 在 這 ASE，
我們 能 看 這 ASE 為了 決定 樹 是 關於 4,000,
但 為了 這 增強 樹 是 關於 2,000, 哪個 是 很多 更多的 更好的。
也, R平方 為了 這 增強 樹 是 a 小的 位元 更高。
這 殘餘物， 如果 我們 看 在 這 殘差
從 兩個都 軟體, 我們 能 看 這 殘餘 是 真的 好的，
關閉 到 這 實際的 價值觀 或者 從 Python 是 關閉 到 是 大約 零 價值觀。
兩個都 模型 是 真的 好的 和 它們是 預測 好的。
它 方法 那 我們 能 預測 這 重量
的 這 大樓 基於 的 這 歷史 數據 那 我們 有。
我們開始吧 看 如何 它是 去 到 影響 這 商業 這裡。
好的， 我們 有 a 好的 模型。 這 模型 是 表演 出色地。
我們開始吧 看 如果 這 商業 想 到 實施 這 模型，
什麼 是 這 好處 為了 他們？
這 第一的 圖表 我們 能 看 曾是 這 圖表
那 I 已經 呈現 到 你 作為 他們的 目前的 系統。
我們 知道 他們 是 每個 伺服器, 他們 有 三 伺服器
和 每個 伺服器 是 加工 480 詢價 每 天
那 完全 它 成本 360美元 每 天 為了 每個 伺服器.
考慮 那 我們 想 到 流程 這 相同的 數量 的 這 詢價單 480.
但 在 這 時間， 和 實施 這 模型，
我們 能 降低 向下 這 流程 時間 到 一 第二
因為 這 模型 去 到 只是 即刻 跑步 和 給予 這 價格 到 我們。
考慮 這 成本 去 到 是 每 詢價 去 到 是 這 相同的，
成本 每 第二 去 到 是 這 相同的， 只是 加工 時間 將要 是 一 第二
出去 的 180 秒。
這 全部的 成本 將要 降低 向下 到 2美元 每 天 每 伺服器.
然後 他們 有 三 伺服器, 它是 去 到 是 6美元。
如果 我們 考慮， 它是 去 到 是 365 天 每 年
那 全部 三 伺服器 是 跑步， 它是 去 到 是 關於 2000美元。
比較 和 目前的 成本，
他們 是 付費 為了 這 伺服器 和 加工 時間。
它是 幾乎 99% 成本 儲存 為了 這 商業 和 這 公司。
但 出奇， 這 是 不是 這 僅有的 成本 他們 能 節省。
這 其他 成本 他們 能 節省 是 或者 他們 能 帶來 更多的 機會。
他們 是 遺失的 一些 機會。
正確的 現在， 他們 是 加工 480 詢價單 每 天， 一 伺服器.
但 如果 我們 降低 向下 這 加工 時間 到 一 第二，
他們 能 流程 80,000 詢價單。
考慮 這 贏 速度 為了 他們 將要 是 4%。
正確的 現在， 這 全部的 數位 他們 能 贏 每 天 是 去 到 是 19.
但 和 實施 這 模型 因為 他們 是 加工 更多的 詢價單
所以 他們 能 贏 更多的 和 他們 能 帶來 更多的 機會。
實際上， 基本上 他們 是 遺失的 關於 3,000 機會 每 天。
大概 這 是 去 到 是 更多的 比 他們的 容量，
但 這 是 一 的 這 積分
那 他們 能 思考 關於 他們的 商業 發展。
這 是 我的 專案 關於 他們 可以 有 預測 a 好的 模型 和 最終
我們 能 看 它們是 去 到 是 a 巨大的 商業 影響 為了 這 公司。
我希望 你 享受 它 和 感謝 你 所以 很多 到 德州 是
和 博士 瓊斯 作為 我的 頂點專案 教練。
