Wir haben vor vier Jahren angefangen, JMP zu verwenden. Wir waren die Sperrigkeit von Excel leid und waren von den Drag-and-Drop-Funktionen und der einfachen Erlernbarkeit von JMP begeistert. Seitdem haben wir jedoch große Fortschritte gemacht und verwenden JMP derzeit für Statistiken und, was noch wichtiger ist, für Automatisierungen und Produktqualitätskontrolle.
Diese Metaanalyse ist nur ein Beispiel für die Zeit- und Arbeitsersparnis, die wir durch die Verwendung von JMP erzielt haben. Wir erhalten von Kundenfarmen experimentelle Daten zu den Auswirkungen unserer Produkte auf das Überleben/die Sterblichkeit von Ferkeln. Diese Metaanalyse begann vor fünf Jahren als drei- bis fünfwöchiger, Excel-intensiver Prozess. Im Laufe der Zeit entwickelte sie sich zu einem größtenteils automatisierten JMP-Prozess, der höchstens eine Woche dauerte. Diese Zeitersparnis bedeutet, dass wir mehr Zeit für „wertschöpfende“ Prozessschritte haben, wie die Präsentation der Daten für unsere Kunden und das Schreiben von Abstracts für Konferenzen. Es bedeutet auch, dass wir mehr Zeit damit verbringen können, die Daten nach Informationshäppchen abzufragen, wodurch wir bei jeder Präsentation „etwas Neues“ präsentieren können. JMP hat uns wirklich gezeigt, wie wertvoll es ist, Prozessdiagrammen zu folgen und welche Auswirkungen die Automatisierungen auf unsere Datenansicht haben können.
Hallo zusammen. Mein Name ist Stefan Buzoiano. Ich bin leitender Wissenschaftler bei Tonisity International. Und heute sprechen wir über unseren Weg von Excel zu JMP-Automatisierungen. Meine E-Mail-Adresse wird hier auf dem Bildschirm angezeigt. Wenn Sie Fragen oder Anregungen haben, hinterlassen Sie mir einfach ein „Gefällt mir“.
Ein bisschen Hintergrund: Tonisity PX ist ein isotonisches Proteingetränk, das neugeborenen Ferkeln verabreicht wird und ihnen Flüssigkeit und wichtige Nährstoffe für ihre Darmzellen liefert. Dadurch überleben die Ferkel besser, wachsen schneller und sind gesund. Man kann sich Tonisity PX also als eine Art Energiespeicher für den Darm vorstellen, da es wichtige Nährstoffe liefert, um den Zellstoffwechsel zu unterstützen, die Zellverbindungen zu verbessern, sicherzustellen, dass die Ferkel keinen durchlässigen Darm haben, das Immunsystem zu unterstützen und das Mikrobiom zu unterstützen. Als Haupteffekt sehen wir eine verbesserte Überlebensrate der Ferkel oder eine geringere Sterblichkeit vor der Geburt. Und darüber werden wir auf den nächsten Folien sprechen.
Wir haben im Lauf der Zeit gelernt, dass unsere Kunden immer mehr auf die Daten achten und dass man mit der Vorlage von ein bis fünf Versuchen nur begrenzte Ergebnisse erzielen kann, weil die Leute Fragen zur Wiederholbarkeit, zur statistischen Analyse und zu Trends stellen werden.
Durch die Aggregation der Daten wird unser Inhalt, unsere Sprache und unsere Verbreitung viel wirkungsvoller. Wenn wir also die Ergebnisse von 10, 20, 50, 90, 100 Studien präsentieren, werden unsere Kunden aufmerksam, und wir können aussagekräftigere Diskussionen führen und unseren Produkten oder unserem Marktzugang einen höheren Mehrwert verleihen. Je mehr Daten, desto besser. Das ist die Macht aggregierter Daten.
Um dies zu tun oder unsere Datenkapazitäten zu verbessern, führen wir diese Mortalitäts-Metaanalyse etwa einmal im Jahr durch. Bisher haben wir also sechs Iterationen. Wir begannen 2018 mit etwa 29 Studien und 33.000 Schweinen. In diesem Monat haben wir 91 Studien mit 185.000 Schweinen in unserer Datenbank. Also sechs Iterationen dieser Datenanalyse, und wir fügen der vorherigen eine hinzu, um den Stand zu erreichen, an dem wir heute stehen.
Wenn wir uns den Zeitaufwand und die Analyse ansehen, sehen wir, dass wir 2018 viele Daten oder Datenvorbereitungen in Excel durchgeführt haben. Die rote Farbe steht für die Excel-Datenvorbereitung. Die orange Farbe steht für die Analyse zwischen SAS und JMP und die blaue Farbe steht für die Verbreitung, also den wertschöpfenden Schritt. Unsere Führungskräfte, unser Vorstand und unsere Kunden sind mehr am Verbreitungsaspekt interessiert als an den Datenmanipulationen, wie man meinen könnte.
Wir begannen mit einem sehr Excel-intensiven Prozess. Wir brauchten acht Tage, um die Datenbank wirklich zu verstehen und mit all diesen Formeln und dem Kopieren und Einfügen zu arbeiten. Es gab eine ganze Menge menschlicher Fehler. 2019 hat nicht viel zum Datensatz beigetragen, aber wir haben trotzdem nicht viel verbreitet.
Wir haben JMP im Jahr 2020 bekommen. Wir haben unsere Datenbank überarbeitet und ab 2021 haben wir begonnen, viel mehr zu verbreiten, und die Datenmanipulation ging drastisch zurück. Sie sehen, dass wir uns bereits auf der Verbreitungsseite auf diesen wertschöpfenden Schritt konzentriert haben.
Dies ist eine andere Möglichkeit, es aufzuschlüsseln, aufgeschlüsselt nach Prozessschritten. Also Excel-Datenaufbereitung, -Analyse und -Verbreitung. Wir können den Rückgang der Zeit sehen, die wir mit Excel verbracht haben. Von 8 Tagen auf 0,1 Tage, das ist ziemlich signifikant und steigert den Wert unseres Prozesses erheblich. Also weniger Datenmanipulation, weniger Fehler und weniger Arbeitstage.
Der Analyseschritt: Hier in der Mitte sind wir gleich geblieben, aber wir sind von einem SAS-intensiven Prozess zu einem JMP-intensiven Prozess übergegangen, und das hat seine Vorteile, weil wir viele Dinge an einem Ort aufbewahren.
Aber der Hauptfokus liegt hier darauf, dass wir von einem halben Tag für die Verbreitung auf etwa vier Tage gekommen sind. Und das bringt einen großen Mehrwert für die tägliche Arbeit. Beispielsweise haben wir dieses Jahr zwei Abstracts eingereicht. Wir haben in den letzten Jahren einige Automatisierungen vorgenommen und einige neue Analysen hinzugefügt. Die Zeit, die wir dadurch gewonnen haben, dass wir keine Daten mehr in Excel hin- und herschieben mussten, konnten wir also wieder gut nutzen, um Abstracts einzureichen, die Informationen zu verbreiten, Webinare für unsere Kunden abzuhalten und mit der akademischen Gemeinschaft zu sprechen.
Dies ist unser Datenanalyseprozess, und er ist so hässlich, wie ein Datenanalyseprozess nur sein kann. Viele Tabellen, viele Interaktionen, viel Zusammenfassung, Zusammenführung und all das. Das Wichtigste dabei ist, dass ein Großteil der Schwerstarbeit in JMP erledigt wird. Es gibt sehr wenig Excel, ein bisschen SAS, aber hauptsächlich JMP.
So sieht der Prozess im Hintergrund aus. Wir holen den Datensatz oder die Datenbank aus Excel in JMP. Wir führen ihn durch SAS, nehmen ihn wieder in JMP auf und erstellen diese Mastertabelle, die das Rückgrat jeder unserer Analysen bildet. Hier wird alles andere identifiziert und vorangetrieben. Wir haben also eine Metaanalyse der Mortalität insgesamt nach fünf geografischen Regionen, nach zwei Verabreichungsprotokollen und nach vier genetischen Studien. Ungefähr 13 Komponenten dieser Datentabelle wurden automatisiert und werden von JMP im Hintergrund nahtlos zusammengeführt.
Wir haben dann einige reguläre Diagramme, die sich von Iteration zu Iteration bewegen. Der Code ist bereits geschrieben, JMP erledigt die schwere Arbeit für uns. Wir führen nur die Skripte aus. Und all diese Zeiteinsparungen ermöglichen es uns, uns, wie gesagt, auf die Dateninterpretation und -verteilung zu konzentrieren. Wir können uns jetzt die Ecken in den Datensätzen ansehen, um zu sehen, wann unser Produkt sehr gut funktioniert und wann Dinge passiert sind, die unerwartete Ergebnisse gebracht haben. Und dies ermöglicht es uns, gemeinsam mit unseren Kunden Fehler zu beheben, um sicherzustellen, dass wir ihnen einen Mehrwert bieten, wenn sie mit unserem Produkt arbeiten.
Und das ist es, was wir im Grunde im Hintergrund tun. Es gibt hier also eine Menge langweiliger Schritte. Wir sehen uns Excel an, bringen es in JMP, führen eine erste Analyse durch, worüber wir gleich sprechen und was wir demonstrieren werden. Wir senden es an SAS, analysieren es und geben es in Excel aus, bringen es zurück in JMP und führen viele Sterblichkeitsdurchschnitte, diese P-Werte und andere Zusammenfassungen zusammen, erstellen einige Diagramme und PowerPoint-Präsentationen.
Da JMP uns, wie gesagt, im Hintergrund die ganze Arbeit mit Formeln, Verkettungen und dergleichen abnimmt, können wir uns die Daten ansehen, um sie zu verbreiten, Abstracts zu erstellen, Webinare abzuhalten, Schulungen für Kunden durchzuführen usw.
Wir gehen zu unserer Demo, und das ist der Moment, in dem jeder JMP-Benutzer kurz innehält und betet, dass der Code reibungslos funktioniert. Schauen wir mal. Das ist mein JMP-Projekt. Nichts allzu Aufregendes, viele Codezeilen. Was mir an JMP wirklich gefällt, ist, dass es mir diese Code-Faltungsoptionen bietet, sodass ich ganze Codeabschnitte zusammenfalten kann. Ich lade alles in den Speicher, koordiniere es und führe diese Codeabschnitte von diesem Panel auf der rechten Seite aus aus. Wir werden die Tabellen einbinden und mit ihnen zu arbeiten beginnen.
Wir müssen dann eine Verbindung zu SAS herstellen. Es wird im Hintergrund Code ausführen. Wir exportieren die Tabelle nach SAS, damit es seine Arbeit erledigen kann. SAS kommt dann mit einigen ziemlich hässlichen Tabellen zurück. Es gibt sieben Tabellen mit allen P-Werten und allen möglichen Schätzungen und Dingen, die wirklich verkettet und in unser Mastertabellenformat gebracht werden müssen. JMP kann das problemlos für uns erledigen. Dies ist unsere Mastertabelle. Das ist alles.
Dann haben wir hier auf der linken Seite eine Menge Tabellen übrig, die wir nicht brauchen. Natürlich räumen wir sie auf, wir schließen sie. Tut mir leid, wir sind nicht gut. Dann ist es so, dass wir hier einige Tabellen übrig haben, ich muss den Code für die Abbildungen oder die Grafiken aus einer älteren Version der Iteration holen.
Genau das machen wir. Sie können die Codes hier sehen, die Skripte, und ich kann damit herumspielen. Dies sind meine Standarddiagramme. Ich kann bei Bedarf damit herumspielen. Da ist noch eins. Perfekt. Auch dies ist nur ein Beispiel für eines der Diagramme. Wir haben die Mortalität der Kontrollgruppe auf der X-Achse, die Mortalität der PX-Behandlung auf der Y-Achse und diese kleinen Flaggen. So kann ich verstehen, wo es Studien in Europa gibt, wo jeder dieser Punkte eine Studie in unserer Datenbank ist. Es gibt dort eine Reihe von US-Studien mit wirklich hoher Mortalität. Die Studien in Asien haben hier unten normalerweise eine niedrige Mortalität.
So kann ich die Daten flexibel durchsehen und verstehen, was in den Daten vor sich geht, anstatt herumzuspielen und Daten über Excel aus SAS zu importieren und in Excel Diagramme zu erstellen. Das spart uns eine Menge Zeit.
Perfekt. Dazu nur ein paar Schlussfolgerungen. JMP bedeutet also, dass wir weniger Datenmanipulationen vornehmen, sodass sich die JMP-Lizenz bezahlt macht. Wir haben weniger menschliche Fehler. Die JMP-Software übernimmt die Schwerstarbeit mit all den Formeln, allen Verkettungen, allen Tabellenzusammenführungen, allem, was man sich vorstellen kann. Sie tut das im Hintergrund, sodass es keinerlei menschliche Fehler gibt. Das wurde alles schon erledigt, als ich den Code zusammengestellt habe. All diese Zeitersparnis ermöglicht es uns, uns auf die wertschöpfenden Schritte zu konzentrieren. Also das Betrachten der Daten, das Schreiben von Abstracts, das Abhalten von Webinaren, Diskussionen mit unseren Kunden. So können wir unsere Zeit wertvoller nutzen.
Es ermöglicht uns, eine Menge Fehler zu beheben und die Daten auf verschiedene Weise zu interpretieren, und es ermöglicht uns, verschiedene Analysen in den Daten selbst durchzuführen. Ein weiterer wichtiger Punkt ist, dass wir all dies getan haben und im Jahr 2020 begonnen haben und keine vorherige Erfahrung mit JMP-Skripten hatten. Wenn ich es kann, können Sie es auch. Vielen Dank. Nochmals, meine E-Mail wird auf dem Bildschirm angezeigt. Wenn Sie Fragen oder Vorschläge haben, würde ich mich freuen, davon zu hören.
