Abbiamo iniziato a usare JMP quattro anni fa. Eravamo stanchi della mole di Excel e amavamo le funzionalità drag-and-drop di JMP e la sua facilità di apprendimento. Tuttavia, da allora abbiamo fatto molta strada, e attualmente utilizziamo JMP per le statistiche e, cosa ancora più importante, per le automazioni e il controllo qualità dei prodotti.
Questa meta-analisi è solo un esempio del tempo e degli sforzi che abbiamo risparmiato utilizzando JMP. Riceviamo dati sperimentali dagli allevamenti dei clienti sugli impatti dei nostri prodotti sulla sopravvivenza/mortalità dei suinetti. Questa meta-analisi è iniziata cinque anni fa come un processo intensivo di Excel di tre-cinque settimane. Nel tempo, si è trasformata in un processo JMP principalmente automatizzato che ha richiesto una settimana o meno. Questo risparmio di tempo significa che abbiamo più tempo per le fasi di processo a "valore aggiunto", come la presentazione dei dati ai nostri clienti e la stesura di abstract per le conferenze. Significa anche che possiamo dedicare più tempo a interrogare i dati per frammenti di informazioni, il che ci consente di trovare "qualcosa di nuovo" ogni volta che presentiamo. JMP ci ha davvero insegnato il valore di seguire le mappe di processo e l'impatto che le automazioni possono avere sul modo in cui visualizziamo i dati.
Ciao a tutti. Mi chiamo Stefan Buzoiano. Sono un Senior Scientist presso Tonisity International. E oggi parleremo del nostro percorso da Excel alle automazioni JMP. La mia email è qui sullo schermo, quindi per qualsiasi domanda o suggerimento, lasciatemi un like.
Un po' di background, Tonisity PX è una bevanda proteica isotonica che viene somministrata ai suinetti neonati e fornisce idratazione, e fornisce nutrienti chiave per le loro cellule intestinali. Quindi, di conseguenza, i suinetti sopravvivono meglio, crescono più velocemente e sono sani. Quindi puoi pensare a Tonisity PX come a una power bank per l'intestino in quanto fornisce nutrienti chiave per supportare il metabolismo cellulare, per migliorare le giunzioni cellulari, per assicurarsi che i suinetti non abbiano un intestino permeabile, per supportare il sistema immunitario e per supportare il microbioma. Come effetto principale, vediamo una migliore sopravvivenza dei suinetti o una ridotta mortalità pre-intestinale. Ed è di questo che parleremo nelle prossime due diapositive.
Abbiamo imparato lungo il cammino che i nostri clienti stanno iniziando a esaminare sempre di più i dati e che non è possibile ottenere molto mostrando da una a cinque prove, perché le persone ti chiederanno informazioni sulla ripetibilità, sull'analisi statistica, sulle tendenze.
Quindi, aggregando i dati, il nostro discorso, la nostra diffusione, questo materiale è molto più potente. Quindi, mostrando i risultati di 10, 20, 50, 90, 100 prove, i nostri clienti iniziano a prestare attenzione e stiamo arrivando a discussioni più significative e a un valore aggiunto maggiore per il nostro prodotto o per il nostro accesso al mercato. Quindi più dati sono meglio. Questo è il potere dei dati aggregati.
Per fare questo o per migliorare le nostre capacità di dati, eseguiamo queste meta-analisi sulla mortalità circa una volta all'anno. Quindi abbiamo sei iterazioni fino ad oggi. Abbiamo iniziato nel 2018 con circa 29 prove e 33.000 maiali. A partire da questo mese, abbiamo 91 prove nel nostro database con 185.000 maiali. Quindi sei iterazioni di questa analisi dei dati, e stiamo aggiungendo la precedente a dove siamo oggi.
Considerando lo sforzo nell'allocazione del tempo e cosa è stato impiegato in questa analisi, vediamo che nel 2018 abbiamo fatto molti dati o preparazione dei dati in Excel. Il colore rosso indica la preparazione dei dati Excel. L'arancione indica l'analisi tra SAS e JMP e il blu indica la disseminazione, che è la fase a valore aggiunto. I nostri dirigenti, il nostro consiglio di amministrazione, i nostri clienti sono più interessati all'aspetto della disseminazione, non alle manipolazioni dei dati, come si potrebbe pensare.
Abbiamo iniziato con un processo molto intensivo di Excel. Ci sono voluti otto giorni per capire davvero il database e lavorare con tutte queste formule e copiare e incollare. C'è stato un bel po' di errore umano coinvolto. Il 2019, che non ha aggiunto molto al set di dati, ma non abbiamo comunque fatto molta disseminazione.
Abbiamo ottenuto JMP nel 2020. Abbiamo revisionato il nostro database e, dal 2021, abbiamo iniziato a fare molta più disseminazione e la manipolazione dei dati è diminuita drasticamente. Potete vedere che ci stavamo già concentrando su questo passaggio a valore aggiunto sul lato disseminazione delle cose.
Questo è un altro modo di vedere la cosa, suddiviso per fase del processo. Quindi, analisi e disseminazione della preparazione dei dati Excel. Possiamo vedere il calo della quantità di tempo che abbiamo impiegato per fare Excel. Quindi, da 8 giorni a 0,1 giorni, è abbastanza significativo e aggiunge molto valore al nostro processo. Quindi, meno manipolazione dei dati, meno errori e meno giorni trascorsi a lavorare su questo.
Fase di analisi Siamo rimasti gli stessi qui a metà, ma siamo passati da un processo intensivo SAS a un processo intensivo JMP, e questo ha i suoi vantaggi perché conserviamo gran parte del materiale in un unico posto.
Ma l'attenzione principale qui è che siamo passati da mezza giornata di disseminazione a circa quattro giorni. E questo aggiunge molto valore al lavoro quotidiano. Ad esempio, quest'anno abbiamo presentato due abstract. Abbiamo fatto alcune automazioni negli ultimi due anni e abbiamo aggiunto alcune nuove analisi. Quindi, ancora una volta, il tempo che abbiamo guadagnato non dovendo lavorare con lo spostamento dei dati avanti e indietro in Excel è stato ben utilizzato nell'invio degli abstract, nella disseminazione delle informazioni, nell'organizzazione di webinar per i nostri clienti e nel parlare con la comunità accademica.
Questo è il nostro processo di analisi dei dati, quindi è il più brutto possibile. Un sacco di tabelle, un sacco di interazioni, un sacco di riepiloghi, unioni e tutto il resto. La cosa principale qui è che molto di tutto questo, molto del lavoro pesante viene svolto in JMP. C'è molto poco Excel, un po' di SAS, ma per lo più è JMP.
Ecco come appare il processo in background. Otteniamo il set di dati o il database da Excel in JMP. Lo eseguiamo tramite SAS, lo riassorbiamo in JMP e otteniamo questa tabella master, che è la spina dorsale di ciascuna delle nostre analisi. È qui che tutto il resto viene identificato e va avanti. Quindi abbiamo una meta-analisi della mortalità complessiva per cinque regioni geografiche, per due protocolli di somministrazione e per quattro genetiche. Quindi circa 13 componenti di questa tabella dati sono stati automatizzati e vengono uniti senza soluzione di continuità in background da JMP.
Abbiamo quindi alcuni grafici regolari che si spostano da un'iterazione all'altra. Il codice è già scritto, JMP fa il grosso del lavoro per noi. Noi eseguiamo solo gli script. E tutti questi risparmi di tempo ci consentono di concentrarci, come ho detto, sull'interpretazione dei dati e sulla disseminazione. Ora siamo in grado di guardare gli angoli nei set di dati, di guardare quando il nostro prodotto funziona molto bene e quando sono accadute cose e hanno prodotto risultati inaspettati. E questo ci consente di risolvere i problemi con i nostri clienti per assicurarci di dare loro valore quando lavorano con il nostro prodotto.
E questo è ciò che fondamentalmente facciamo in background. Quindi ci sono un sacco di noiosi passaggi qui. Guardiamo Excel, lo portiamo in JMP, facciamo un po' di analisi iniziale, di cui parleremo tra un secondo, e che dimostreremo. Lo inviamo a SAS, lo analizziamo e viene emesso in Excel, lo portiamo di nuovo in JMP e facciamo un sacco di unire le medie di mortalità, questi valori P, altri riepiloghi e facciamo un po' di grafici e un po' di esposizione PowerPoint.
Ora, come ho detto, poiché JMP fa il grosso del lavoro per noi, con formule, concatenazioni e tutto il resto in background, siamo in grado di esaminare i dati per realizzare disseminazione, abstract, webinar, sessioni di formazione per i clienti e così via.
Passiamo alla nostra demo, ed è il momento in cui ogni utente JMP si ferma per una breve preghiera affinché il codice funzioni senza problemi. Diamo un'occhiata. Questo è il mio progetto JMP. Niente di troppo eccitante, un sacco di righe di codice. Ciò che mi piace davvero di JMP è che mi ha dato queste opzioni di ripiegamento del codice in modo da poter comprimere intere sezioni di codice. Sto caricando tutto nella memoria, e sto coordinando tutto, ed eseguo queste sezioni di codice da questo pannello sul lato destro. Stiamo per portare le tabelle e iniziare a lavorarci.
Dobbiamo quindi connetterci a SAS. Eseguirà del codice in background. Stiamo esportando la tabella in SAS perché faccia il suo lavoro. SAS poi torna con delle tabelle piuttosto brutte. Ci sono sette tabelle con tutti i valori P e tutti i tipi di stime e cose che devono essere concatenate e trasferite nel nostro formato di tabella master. JMP può farlo per noi, nessun problema. Questa è la nostra tabella master. Tutto qui.
Quindi ci ritroviamo con un mucchio di tabelle qui sul lato sinistro che non ci servono. Ovviamente, le puliamo, le chiudiamo. Spiacente, non siamo bravi. Quindi il fatto è che ci ritroviamo con alcune tabelle qui, dovrò portare il codice per le figure o per i grafici da una versione precedente dell'iterazione.
Stiamo facendo proprio questo. Potete vedere i codici qui, gli script, e posso giocarci un po'. Questi sono i miei grafici standard. Posso giocarci un po' se necessario. Ce n'è un altro lì. Perfetto. Di nuovo, questo è solo un esempio di uno dei grafici. Abbiamo la mortalità del controllo sull'asse X, la mortalità del trattamento PX sull'asse Y e queste piccole bandierine. Mi consente di capire dove si trovano le sperimentazioni in Europa, dove ognuno di questi punti è una sperimentazione nel nostro database. Ci sono un sacco di sperimentazioni negli Stati Uniti con una mortalità davvero elevata lì. Quelle in Asia di solito hanno una mortalità bassa qui in basso.
Quindi mi consente di esaminare i dati e avere questa flessibilità e di capire cosa sta succedendo nei dati piuttosto che armeggiare e importare dati tramite Excel da SAS e fare grafici in Excel. Quindi è un sacco di tempo risparmiato per noi proprio lì.
Perfetto. Solo alcune conclusioni su questo. Quindi JMP significa che facciamo meno manipolazioni di dati, quindi la licenza JMP si ripaga da sola. Stiamo ottenendo meno errori umani. Il software JMP fa il lavoro pesante con tutte le formule, tutte le concatenazioni, tutte le unioni di tabelle, tutto ciò che ti viene in mente. Lo fa in background, quindi non c'è alcun errore umano. È stato tutto curato quando ho messo insieme il codice. Tutto questo risparmio di tempo ci consente di concentrarci sui passaggi a valore aggiunto. Quindi esaminare i dati, scrivere abstract, tenere webinar, discutere con i nostri clienti. Quindi aggiungere più valore al nostro tempo.
Ci consente di fare un sacco di risoluzione dei problemi e interpretare i dati in vari modi, e ci consente di fare diverse analisi nei dati stessi. Ora, un'altra cosa importante qui è che abbiamo fatto tutto questo e abbiamo iniziato nel 2020, e non avevamo alcuna precedente esperienza di scripting JMP. Se ci riesco io, potete farlo anche voi. Grazie mille. Di nuovo, la mia e-mail è sullo schermo. Se avete domande o suggerimenti, sarò felice di sentirli.
