Chez GE Aerospace, nous élaborons des modèles prédictifs pour optimiser l'utilisation des moteurs d'avion en fonction des coûts de maintenance. Ces modèles peuvent être appliqués à de nombreuses familles de moteurs, chacune présentant de multiples configurations matérielles. De plus, nous utilisons une multitude d'autres étiquettes pour désigner différents groupes ou flottes de moteurs (par exemple, par compagnie aérienne, région, etc.).
Les graphiques parallèles offrent un moyen relativement simple de visualiser et de gérer l'applicabilité de ces modèles à des numéros de série de moteurs spécifiques, en fonction de leur configuration et de leur regroupement. En tant que métrique supplémentaire, cette gestion visuelle permet de prioriser les mises à jour et l'optimisation des modèles individuels selon leur impact.
Très bien. Bonjour. Bienvenue à ma présentation. Je m'appelle Lee Becker. Je suis ingénieur principal en analyse de données chez GE Aerospace. Je travaille au sein du département de science des données. Je vais vous parler d'une découverte intéressante que j'ai faite récemment dans JMP : un outil graphique très pratique pour l'exploration des données.
Vous pouvez lire mon résumé ici. Il est également publié sur le site web. Chez GE Aerospace, nous développons des modèles prédictifs pour optimiser l'utilisation des moteurs d'avion en fonction des coûts de maintenance. Ces modèles peuvent être appliqués à de nombreuses familles de moteurs, chacune présentant de multiples configurations matérielles. De plus, nous utilisons une multitude d'autres étiquettes pour désigner différents groupes ou flottes de moteurs, comme la région de la compagnie aérienne, etc.
Les graphiques parallèles offrent un moyen relativement simple de visualiser et de gérer l'applicabilité de ces modèles à des numéros de série de moteurs ou à des actifs spécifiques, en fonction de leur configuration et de leur regroupement. En tant que métrique supplémentaire, cette gestion visuelle permet de prioriser les mises à jour et l'optimisation des modèles selon leur impact.
Je vais donc commencer. Pour commencer, voici mon parcours : j’ai travaillé chez GE Aerospace pendant 23 ans, occupant divers postes d’ingénieur. La plupart étaient liés aux données de vol, et plus particulièrement à l’analyse et au traitement des données issues de nos appareils. Comme je l’ai dit, il s’agissait de gérer le temps de vol et de trouver un équilibre entre cela et les coûts de maintenance.
Actuellement, j'occupe le poste d'ingénieur principal en analytique au sein de l'organisation Data Science & Analytics. Je suis ingénieur, mais je ne suis pas spécialiste en science des données ; on me le précise donc souvent lorsque je décris mon rôle. J'apprends mieux visuellement et la visualisation des données me passionne. Enfin, il est important de noter que lors de mes présentations externes, je dois parfois improviser. Toutes les données sont anonymisées afin de protéger certains de nos clients, mais elles s'inspirent de cas réels.
Comme je l'ai mentionné dans le résumé, chez GE Aerospace, nous développons de nombreux modèles prédictifs. Ces modèles sont généralement très nuancés et adaptés à des groupes d'actifs spécifiques en fonction de leur configuration. La configuration, dans ce contexte, peut désigner des éléments tels que la famille de moteurs. Je dispose soit de petits avions régionaux, soit de gros porteurs effectuant des vols internationaux et intercontinentaux nécessitant des moteurs beaucoup plus gros et plus puissants.
Un module, c'est un système composé d'un ventilateur, d'un compresseur, d'une chambre de combustion et d'une turbine. Le cycle est le suivant : aspiration, compression, combustion, expulsion. C'est la configuration générale d'un moteur à turbine. Cependant, ces composants peuvent avoir des configurations ou des époques différentes. Les modèles que nous construisons doivent en tenir compte.
Les clients des compagnies aériennes adoptent des comportements différents en matière de vols, mais aussi en fonction des zones qu'ils desservent. Il existe divers facteurs régionaux, structures de lignes et autres dimensions à prendre en compte. Nous cherchons à prévoir la durée de vie des ailes et des moteurs et à gérer ces groupes d'actifs. Concernant le graphique que j'ai créé (et je tiens à préciser que tous les graphiques que j'ai intégrés ici l'ont été grâce à différentes plateformes de JMP),
Vous pourrez peut-être m'en reparler plus tard, si vous êtes intéressé par la reproduction de certaines de ces cartes, voire même par un simple graphique comme celui-ci… Il s'agit d'une carte thermique de la section transversale d'un moteur, très caricaturale, mais au moins la colorisation et le masquage de ces éléments de carte ont été réalisés dans JMP.
Pour en revenir au sujet, en résumé, la gestion de toutes ces dimensions se complique. Lorsqu'on élabore des modèles prédictifs, on doit prendre en compte tous ces éléments comme autant d'axes potentiels pour segmenter les flottes et assurer leur cohérence. Mais la nuance importante pour nous, c'est que ces ressources seront mises à niveau et que leur configuration évoluera au fil du temps.
La gestion des modèles permet de comprendre quel matériel équipe chaque appareil à un instant donné. Par exemple, si l'on essaie de gérer : « L'année dernière, cette flotte comptait 75 moteurs avec cette configuration de compresseur », on se retrouve avec 100 moteurs identiques, dont 25 ont été mis à niveau ou modifiés. J'aborderai ces graphiques plus tard.
Mais passons tout de suite à l'exemple précis que j'ai créé pour illustrer notre propos. Imaginons que nous suivions cinq compagnies aériennes, chacune utilisant deux types de moteurs différents. Chaque type de moteur comporte quatre composants : une soufflante, un compresseur, une chambre de combustion et une turbine. Chacun de ces composants peut présenter plusieurs versions ou configurations au sein de la flotte.
Il devient très complexe d'essayer de comprendre quelles ressources ont quelles configurations à un instant donné. Lorsqu'on commence à explorer ces distributions, on se demande souvent à quoi elles ressemblent. On a tendance à commencer par tracer des graphiques. Il faut d'abord comprendre à quoi elles ressemblent. Si je débute et que je cherche à avoir un premier aperçu de quelques histogrammes, de distributions très simples…
Le premier réflexe serait sans doute d'utiliser directement les graphiques d'en-tête en haut de la page. Si vous ignoriez l'existence de cette fonctionnalité dans les versions récentes de JMP, essayez-la. Vous obtiendrez ainsi des histogrammes très simples. Mes données étant toutes catégorielles, il n'y a aucun problème pour analyser les distributions continues et repérer les valeurs aberrantes. Mais il est assez facile d'analyser des données catégorielles de cette manière et de commencer à observer certaines relations.
Je pense que le réflexe suivant serait probablement de… Exploiter la plateforme de distribution, qui est, encore une fois, assez simple. On obtient des statistiques descriptives plus détaillées pour les données continues, notamment au niveau des fréquences et des statistiques. Je les ai masquées ici par souci de simplicité.
Une troisième option, peut-être un peu farfelue et à laquelle vous n'avez pas pensé, voire que vous n'avez pas voulu envisager, consiste à créer un diagramme de contingence pour chaque combinaison de paires d'entrées ou d'axes. Je l'ai fait ici pour illustrer le fait que, oui, c'est difficile à visualiser. Je connais des personnes qui apprécient cette méthode, mais avec plusieurs dimensions, il devient vite compliqué de comprendre ce qui se passe réellement.
Un autre point important : même au sein de JMP, il existe de nombreuses façons d'explorer le système. On trouve généralement deux ou trois manières différentes de réaliser quasiment chaque action. L'interactivité est un atout majeur, notamment lors de la phase d'exploration. Si je choisis l'une des cinq compagnies aériennes de ma zone de distribution, je peux commencer à observer le type de moteur, la configuration du ventilateur et celle du compresseur.
Je peux observer les changements de mise en évidence de ces distributions lorsque je sélectionne les différentes barres. Dans le tableau de données sous-jacent, je vois également les enregistrements se modifier suite à ces sélections. Vous pouvez utiliser ces outils visuels pour faciliter la sélection dans n'importe quelle plateforme ouverte, y compris le tableau de données. L'interactivité est vraiment intéressante. Mais comme je l'ai mentionné précédemment, plus la dimensionnalité est élevée, plus il devient difficile de se représenter ces données.
Je me suis beaucoup intéressé à la recherche de nouvelles façons créatives de visualiser ces données. Je suis tombé sur cette méthode : le graphique parallèle. Si je devais résumer ce qu'est un graphique parallèle et vous donner quelques informations de base sur son utilisation, ce serait l'objectif des prochaines minutes de cette présentation.
De manière générale, un graphique parallèle est un outil de visualisation permettant d'afficher des données multivariées, comme c'est le cas ici. Chaque axe représente une variable différente et les axes sont parallèles entre eux, au lieu d'être croisés. Les points de données sont représentés par des lignes qui coupent chaque axe à la valeur correspondante de la variable, ce qui permet de visualiser les tendances, les corrélations et les valeurs aberrantes sur plusieurs dimensions. Cet outil est particulièrement utile pour analyser des données multidimensionnelles, en aidant à identifier les relations, les tendances et les regroupements au sein de l'ensemble de données.
Si je génère ce type de données à plusieurs reprises, nous pourrons constater à nouveau la puissance de l'interactivité au sein de JMP pour comprendre ces relations. Je n'ai plus besoin de consulter plusieurs graphiques pour analyser leurs interrelations, par exemple au sein de la plateforme de distribution. Je peux visualiser simultanément toutes ces relations, représentées par ces lignes en ruban.
L'affichage variera selon que vos données sont continues ou catégorielles ; je vous montrerai quelques exemples plus tard. Voici toutefois l'essentiel de ce que j'ai pu constater : la représentation graphique des données et l'utilisation de graphiques parallèles pour l'exploration s'avèrent très utiles. Sur ce, voici un bref tutoriel sur la création d'un graphique parallèle selon ma méthode préférée.
Si vous ouvrez l'Éditeur de graphiques, reprenons notre tableau de données. Pour cela, cliquez sur l'icône correspondante, ou sur Graphique, puis Éditeur de graphiques. Étape 2 : sélectionnez toutes les colonnes à représenter simultanément. Faites-les glisser vers l'axe des abscisses (X). Cliquez ensuite sur le bouton permettant de générer le graphique parallèle. [Inaudible 00:13:00] Ce n'est pas encore terminé. Je voudrais… Tout d'abord, voici une autre technique de JMP, peut-être moins connue.
Je souhaite que les éléments aient toujours la même taille et la même forme. Je peux utiliser cette méthode : clic droit, copier les paramètres du cadre, puis les coller ici, modifier, coller, paramètres du cadre. Ainsi, tous les éléments du graphique auront la même taille et la forme d'un rectangle. C'est une préférence personnelle, mais vous ne connaissiez peut-être pas cette astuce.
Pour finir, un dernier point : colorons ceci. Dans mon exemple précédent, j'utilisais la couleur de la compagnie aérienne. Glissez simplement le paramètre de la compagnie aérienne dans la zone de dépôt « Compagnie aérienne » ou « Couleur », et c'est presque terminé. Autre chose qui m'agace : quand on ne dit pas « C'est fini », mais quand c'est le cas… Voilà !
Cliquez toujours sur le bouton Terminé dans Graph Builder, et voilà ! C'est comme ça que j'ai généré ce graphique pour la présentation d'aujourd'hui. Ça m'a pris deux ou trois minutes pour vous l'expliquer, mais il suffit de quelques secondes pour créer rapidement un support visuel qui vous permettra d'explorer vos données d'une manière très différente, probablement inédite pour vous. Il s'agit simplement d'analyser des distributions et de tirer parti de l'interactivité de JMP pour vous guider.
Je voulais aussi aborder brièvement certaines fonctionnalités avancées de personnalisation. Je vous ai déjà montré la fonction de couleur. Elle est très utile dans de nombreux cas, mais lorsqu'elle est utilisée uniquement pour une compagnie aérienne déjà affichée sur le graphique, elle s'avère moins pertinente. Je peux suivre ces rubans sur tous les axes sans que la couleur ne me soit d'une grande utilité.
Mais une chose que vous pouvez essayer pour simplifier la vue, c'est d'appliquer une coloration à un paramètre qui n'apparaît pas sur le graphique. Voici un exemple : j'ai retiré le type de moteur du graphique. Il y a donc un « X » en moins en bas. Mais j'ai choisi d'utiliser cette coloration. J'ai choisi d'utiliser ce paramètre pour faciliter la lecture.
Pour ce faire, si je rallume mon panneau de configuration, je supprime le type de moteur de la liste. Je retire la couleur du pot de couleurs (notre zone de dépôt) et je place le type de moteur dans [inaudible 00:16:12]. C'est fondamentalement la même chose. Je ne vous expliquerai probablement plus chaque exemple de cette manière. Mais il s'agit simplement de mettre en évidence différentes façons de visualiser les données et d'observer le graphique parallèle en utilisant la coloration pour faciliter l'exploration et la sélection multiple de vos données.
Revenons à mon deuxième exemple. Voici un exemple où j'ai… Je n'ai tracé que trois axes pour l'instant, et j'ai coloré ma configuration de ventilateur : soit j'ai une pale de ventilateur 2D, soit une pale de ventilateur 3D. Je peux voir que toutes mes pales de ventilateur 2D sont bleues, et toutes ces pales de ventilateur 2D correspondent à ma configuration de turbine V1 héritée. J'aurais peut-être pu le déduire en regardant simplement le graphique parallèle plus large et en comprenant qu'il s'agit bien d'une relation un à un.
Voici une autre technique que vous pouvez essayer pour simplifier la visualisation. L'utilisation de la couleur permet d'explorer les dimensions des données. Autre point intéressant : on peut observer des zones de la population nettement rouges ou bleues, au-delà d'un axe où l'on trouve des nuances de violet. Si votre jeu de données est très binaire, avec une tendance marquée vers l'une ou l'autre couleur, c'est souvent facile à repérer.
Encore une fois, je pourrais supprimer l'une de ces variables et cette stratification bleu/rouge, et me fier à la nuance de violet pour peut-être déterminer ma position par rapport à l'un de ces extrêmes au sein de la population. Simplement grâce à cet indice visuel. Soit je suis vraiment bleu, soit vraiment rouge, soit je me situe généralement quelque part entre les deux.
Voici une autre technique à essayer : les filtres de données locaux. Ils sont très utiles pour explorer différentes combinaisons de vos données et pour configurer les filtres. Notre filtre de données local est juste ici. Vous pouvez en appliquer un à n'importe quelle variable de vos données, et pas seulement à celles que vous avez représentées graphiquement. Faisons-le. Cette vue est quasiment identique à la précédente.
L'intérêt de procéder ainsi et d'utiliser le filtre de données local pour explorer les données réside dans la possibilité de sélectionner des sous-flottes ou des sous-groupes au sein de l'ensemble de données. Si je souhaite uniquement examiner Air America et observer sa représentation sur les autres axes, je peux le faire très facilement ici, au lieu d'essayer d'interpréter les données en les replaçant dans leur contexte global. Je peux également choisir d'examiner uniquement cette flotte en particulier. De même, je peux appliquer cette méthode à un autre axe et observer une configuration spécifique de flotte pour voir comment elle se manifeste.
C'est simplement une autre façon d'explorer et de sélectionner les données que vous souhaitez analyser. Dernier exemple de filtre de données locales. Il s'agissait de… Bon, voici un exemple que j'ai créé pour illustrer ce que j'ai mentionné précédemment : l'influence du temps sur le comportement de ces données. Cette vue de 2024 devrait être identique à l'ensemble de données que j'ai utilisé jusqu'à présent. Auparavant, j'avais accès à l'historique de ces flottes d'actifs ou de moteurs, et leur configuration a subi diverses modifications au fil du temps. C'est ce que je cherche à montrer ou à décrire ici, et à visualiser ces modifications, ces changements au fil du temps.
J'ai ici une autre dimension que je n'ai pas encore représentée graphiquement : le temps. Par exemple, je souhaite savoir comment la sous-flotte de CM5-5 a potentiellement diminué au fil du temps, suite aux mises hors service. Je peux dézoomer au maximum, examiner l'ensemble des données, puis sélectionner cette sous-flotte ou ce groupe de moteurs, dans mon cas.
Je peux maintenant retracer l'évolution des années et dire : « En 2020, il semble que chaque client en possédait au moins quelques-uns. Puis, en 2021, certains de ces clients ont cessé leur activité. En 2022, il ne m'en restait plus que quatre. » Air America s'est débarrassée de tous les siens entre 2021 et 2022. Désormais, seuls deux clients possèdent ce type d'appareil. Sur les données les plus récentes, on constate à quel point la flotte a été réduite.
Voici une autre technique utile que je vais tenter d'illustrer en observant l'évolution dans le temps. À un moment donné, j'avais une configuration de compresseur très ancienne. Pour revenir à l'ensemble des données et les utiliser comme outil de sélection, il faut consulter la table de données sous-jacente et rechercher les actifs correspondants à une époque donnée. Pour ce faire, sélectionnez le numéro de l'actif, puis accédez à la sélection de lignes et enfin choisissez « Cellules correspondantes ».
Cela permet de sélectionner les ressources qui ont déjà fait partie de cette très ancienne configuration, ainsi que leur emplacement actuel. Puis, nous parcourons cet exemple. J'ai maintenant, et ce n'est pas encore tout à fait au point, mais j'ai la visualisation. J'ai la sélection de toutes les ressources qui font partie, non seulement actuellement, mais aussi qui ont déjà fait partie de cette très ancienne configuration.
Je peux maintenant les faire voyager dans le temps et observer leur état en 2020, puis en 2021, et voir comment cela évolue en 2022. Il semble que certains aient déjà été mis à niveau. Mais vous constaterez un changement majeur entre leur configuration très ancienne et celle de 2024.
Ils ont tous été mis à niveau… Un bon nombre d'entre eux ont bénéficié de cette nouvelle configuration. La différence entre ce graphique et celui-ci n'était peut-être pas évidente à ce niveau. Mais encore une fois, c'est une autre technique d'exploration des données. Observer une dimension ou une variable X, non représentée sur l'axe X, à l'aide de couleurs et d'un filtre de données local, peut faciliter l'exploration et la sélection des données.
Enfin, je voulais aborder ici le traitement des données continues. Voici le jeu de données Iris. C'est sur ce jeu de données que je suis tombé par hasard en explorant et en préparant cette présentation. Si vous cliquez sur le graphique et sélectionnez « Graphique parallèle », voici le résultat. J'ai testé cette technique. Elle est particulièrement efficace pour représenter les données continues, mais moins performante pour les données catégorielles.
Si je crée un graphique parallèle à partir de mes données initiales, le résultat est loin d'être aussi esthétique. Il existe sans doute d'autres options pour améliorer l'apparence, mais chacun ses préférences. Il s'agit d'une méthode de visualisation des données peut-être légèrement différente de celles que vous avez pu utiliser par le passé. N'oubliez pas qu'il existe différentes applications et différentes manières d'explorer les données.
Si je retourne à l'ensemble de données Iris et que je crée le graphique parallèle comme d'habitude, en sélectionnant ma liste d'axes potentiels et en les plaçant dans la catégorie X, j'obtiens un résultat peut-être un peu plus informatif. Mais encore une fois, il s'agit simplement de différentes manières de faire la même chose. C'est précisément pour explorer ces données multidimensionnelles grâce à cette technique que je suis ici aujourd'hui.
Voilà qui résume bien ce que je voulais aborder dans cette présentation. J'aurais également pu donner quelques conseils sur l'utilisation et la visualisation des données. J'en ai tiré quelques-uns d'un webinaire à la demande disponible sur le site web de JMP, et vous pouvez aussi discuter avec… Vous pouvez visionner ce webinaire ou contacter directement l'intervenant. Il donne d'excellents conseils sur la visualisation des données et l'importance de la simplicité.
J'y accorde une grande importance, car il faut être très prudent lorsqu'on passe du mode exploratoire au mode explicatif. Si j'explore des données et que je les visualise pour mes propres besoins, je sais précisément pourquoi je clique où je clique et pourquoi je procède de telle ou telle manière. En revanche, si vous essayez d'utiliser ces mêmes graphiques pour expliquer des choses, vous risquez d'avoir du mal à vous expliquer clairement.
Soyez prudent et essayez de simplifier au maximum les choses lorsque vous utilisez un outil aussi complexe à des fins explicatives. C'est un excellent outil de visualisation exploratoire, mais je pense qu'il serait judicieux de revenir à certaines des méthodes que j'ai mentionnées afin de simplifier les vues et d'aller droit au but lorsque vous expliquez des choses à un public ou à votre direction. La simplicité est toujours préférable.
Voici donc un point essentiel à retenir. Cela peut paraître évident, mais ne présumez jamais que ce qui est clair pour vous l'est aussi pour votre public. Si vous avez inclus des informations dans un graphique PowerPoint, si vous avez construit un schéma pour expliquer quelque chose, prenez le temps de le commenter et de détailler votre raisonnement. Assurez-vous d'inclure des points descriptifs expliquant comment vous êtes arrivé à cette conclusion et soyez clair sur cette dernière. Que cherchez-vous à déduire de cette représentation ? Ne présumez jamais que ce qui est évident pour vous l'est aussi pour votre public.
Enfin, un dernier point que je tiens à souligner – et je dois bien l'avouer, je trébuche moi-même sur ce point – il existe un équilibre subtil entre visualisation et art. Il ne s'agit donc pas de créer de belles choses pour le simple plaisir des yeux. Assurez-vous que les graphismes que vous créez soient utiles et contribuent à raconter l'histoire, sans pour autant l'entraver.
La visualisation pour la visualisation, l'art pour l'art. Vous trouverez également ici les liens vers l'aide de JMP concernant les graphiques parallèles. Comme je l'ai mentionné, le webinaire à la demande de Mike Anderson est très utile, je vous le recommande donc vivement. Sur ce, je vous remercie de votre attention. Merci beaucoup.
