Comenzamos a usar JMP hace cuatro años. Estábamos cansados del volumen de Excel y nos encantaban las funciones de arrastrar y soltar de JMP y lo fácil que es aprender a usarlo. Sin embargo, hemos avanzado mucho desde entonces y actualmente usamos JMP para estadísticas y, lo que es más importante, para automatizaciones y control de calidad de productos.
Este metanálisis es solo un ejemplo del tiempo y el esfuerzo que hemos ahorrado con el uso de JMP. Recibimos datos experimentales de las granjas de nuestros clientes sobre los impactos de nuestros productos en la supervivencia/mortalidad de los lechones. Este metanálisis comenzó hace cinco años como un proceso intensivo de Excel de tres a cinco semanas. Con el tiempo, se transformó en un proceso JMP principalmente automatizado que tomaba una semana o menos. Este ahorro de tiempo significa que tenemos más tiempo para los pasos del proceso de "valor agregado", como presentar los datos a nuestros clientes y escribir resúmenes para conferencias. También significa que podemos dedicar más tiempo a consultar los datos en busca de fragmentos de información, lo que nos permite encontrar "algo nuevo" cada vez que hacemos una presentación. JMP realmente nos enseñó el valor de seguir los mapas de procesos y el impacto que las automatizaciones pueden tener en la forma en que vemos los datos.
Hola a todos. Mi nombre es Stefan Buzoiano. Soy científico sénior de Tonisity International. Hoy vamos a hablar sobre nuestro viaje desde Excel hasta las automatizaciones de JMP. Mi correo electrónico está aquí en la pantalla, así que si tienes alguna pregunta o sugerencia, no dudes en dejarme un Me gusta.
Un poco de contexto: Tonisity PX es una bebida proteica isotónica que se administra a los lechones recién nacidos y que les proporciona hidratación y nutrientes clave para sus células intestinales. Como resultado, los lechones sobreviven mejor, crecen más rápido y están sanos. Por lo tanto, se puede pensar en Tonisity PX como un banco de energía para el intestino, ya que proporciona nutrientes clave para apoyar el metabolismo celular, mejorar las uniones celulares, asegurarse de que los lechones no tengan intestino permeable, apoyar el sistema inmunológico y apoyar el microbioma. Como efecto principal, observamos una mejor supervivencia de los lechones o una menor mortalidad antes de la cena. Y de esto es de lo que hablaremos en las próximas diapositivas.
Hemos aprendido a lo largo del camino que nuestros clientes están empezando a mirar los datos cada vez más, y no se puede lograr mucho mostrando de uno a cinco ensayos, porque la gente le preguntará sobre repetibilidad, le preguntará sobre análisis estadístico, le preguntará sobre tendencias.
Así, al agregar los datos, nuestro discurso y nuestra difusión de este material son mucho más potentes. Así, al mostrar los resultados de 10, 20, 50, 90 o 100 ensayos, nuestros clientes empiezan a prestar atención y logramos conversaciones más significativas y un mayor valor añadido para nuestro producto o para nuestro acceso al mercado. Por lo tanto, cuanto más datos tengamos, mejor. Este es el poder de los datos agregados.
Para hacer esto o para mejorar nuestras capacidades de datos, estamos realizando estos metanálisis de mortalidad aproximadamente una vez al año. Por lo tanto, tenemos seis iteraciones hasta la fecha. Comenzamos en 2018 con aproximadamente 29 ensayos y 33 000 cerdos. A partir de este mes, tenemos 91 ensayos en nuestra base de datos con 185 000 cerdos. Por lo tanto, seis iteraciones de este análisis de datos, y estamos agregando la anterior a la que tenemos hoy.
Si analizamos el esfuerzo en la asignación de tiempo y lo que se invirtió en este análisis, vemos que en 2018, realizamos una gran cantidad de preparación de datos en Excel. El color rojo indica la preparación de datos en Excel. El naranja indica el análisis entre SAS y JMP, y el azul indica la difusión, que es el paso de valor agregado. Nuestros ejecutivos, nuestra Junta Directiva y nuestros clientes están más interesados en el aspecto de difusión, no en las manipulaciones de datos, como se podría pensar.
Comenzamos con un proceso que requería mucho uso de Excel. Nos llevó ocho días entender bien la base de datos y trabajar con todas estas fórmulas y copiar y pegar. Hubo bastante error humano involucrado. En 2019, no agregamos mucho al conjunto de datos, pero tampoco hicimos mucha difusión.
Obtuvimos JMP en 2020. Hicimos una revisión de nuestra base de datos y, a partir de 2021, comenzamos a hacer mucha más difusión y la manipulación de datos disminuyó drásticamente. Se puede ver que ya nos estábamos centrando en este paso de valor agregado en el aspecto de la difusión.
Esta es otra forma de verlo dividido por el paso del proceso. Por ejemplo, preparación, análisis y difusión de datos en Excel. Podemos ver la reducción en la cantidad de tiempo que pasamos haciendo Excel. De 8 días a 0,1 días, eso es bastante significativo y agrega mucho valor a nuestro proceso. Por lo tanto, menos manipulación de datos, menos errores y menos días dedicados a trabajar en esto.
El paso de análisis Nos hemos mantenido igual aquí en el medio, pero hemos pasado de un proceso intensivo de SAS a un proceso intensivo de JMP, y eso tiene sus beneficios porque mantenemos una gran cantidad de cosas en un solo lugar.
Pero lo más importante aquí es que pasamos de dedicar medio día a la difusión a unos cuatro días, y eso añade mucho valor al trabajo diario. Por ejemplo, hemos enviado dos resúmenes este año. Hemos realizado algunas automatizaciones en los últimos dos años y hemos añadido algunos análisis nuevos. Así que, una vez más, el tiempo que hemos ganado al no tener que trabajar moviendo datos de un lado a otro en Excel se ha aprovechado bien para enviar resúmenes, difundir la información, realizar seminarios web para nuestros clientes y hablar con la comunidad académica.
Este es nuestro proceso de análisis de datos, por lo que es tan feo como podría serlo un proceso de análisis de datos. Muchas tablas, muchas interacciones, muchos resúmenes, fusiones y todo eso. Lo principal aquí es que gran parte del trabajo pesado se realiza en JMP. Hay muy poco Excel, un poco de SAS, pero principalmente es JMP.
Así es como se ve el proceso en segundo plano. Obtenemos el conjunto de datos o la base de datos de Excel en JMP. Lo ejecutamos a través de SAS, lo reabsorbemos en JMP y obtenemos esta tabla maestra, que es la columna vertebral de cada uno de nuestros análisis. Aquí es donde se identifica todo lo demás y se avanza. Así que tenemos un metanálisis de mortalidad general por cinco regiones geográficas, por dos protocolos de administración y por cuatro factores genéticos. Por lo tanto, se han automatizado unos 13 componentes de esta tabla de datos y JMP los está fusionando sin problemas en segundo plano.
Contamos con algunos gráficos regulares que se mueven de iteración en iteración. El código ya está escrito, JMP hace el trabajo pesado por nosotros. Nosotros solo ejecutamos los scripts. Y todo este ahorro de tiempo nos permite concentrarnos, como dije, en la interpretación de los datos y en la difusión. Ahora podemos observar los puntos débiles de los conjuntos de datos, ver cuándo nuestro producto funciona muy bien y cuándo han sucedido cosas que han producido resultados inesperados. Y esto nos permite resolver problemas con nuestros clientes para asegurarnos de que les brindamos valor cuando trabajan con nuestro producto.
Y esto es básicamente lo que hacemos en segundo plano. Hay un montón de pasos aburridos aquí. Miramos Excel, lo llevamos a JMP, hacemos un análisis inicial, del que hablaremos en un segundo, y vamos a hacer una demostración. Lo enviamos a SAS, lo analizamos y genera un resultado en Excel, lo llevamos de nuevo a JMP y combinamos muchos promedios de mortalidad, estos valores P, otros resúmenes y hacemos algunos gráficos y una exposición en PowerPoint.
Ahora, como dije, debido a que JMP hace el trabajo pesado por nosotros con fórmulas y concatenaciones y todo eso en segundo plano, podemos mirar los datos para hacer difusión, resúmenes, seminarios web y sesiones de capacitación de clientes, etc.
Pasamos a nuestra demostración y este es el momento en el que todos los usuarios de JMP hacen una pausa para rezar un poco para que el código funcione sin problemas. Echemos un vistazo. Este es mi proyecto JMP. Nada demasiado emocionante, muchas líneas de código. Lo que realmente me gusta de JMP es que me dio estas opciones de plegado de código para poder contraer secciones enteras de código. Estoy cargando todo en la memoria, y estoy coordinando todo, y estoy ejecutando estas secciones de código desde este panel en el lado derecho. Vamos a traer las tablas y comenzar a trabajar con ellas.
Necesitamos conectarnos a SAS. Ejecutará un código en segundo plano. Estamos exportando la tabla a SAS para que haga su trabajo. SAS nos devuelve algunas tablas bastante feas. Hay siete tablas con todos los valores P y todo tipo de estimaciones y cosas que realmente tienen que concatenarse y llevarse a nuestro formato de tabla maestra. JMP puede hacer eso por nosotros, sin problema. Esta es nuestra tabla maestra. Eso es todo.
Entonces nos quedamos con un montón de tablas aquí en el lado izquierdo que no nos sirven. Por supuesto, las limpiamos, las cerramos. Lo siento, no somos buenos. Entonces el problema es que nos quedan algunas tablas aquí, tendré que traer el código para las figuras o para los gráficos de una versión anterior de la iteración.
Estamos haciendo exactamente eso. Puedes ver los códigos aquí, los scripts, y puedo jugar con ellos. Estos son mis gráficos estándar. Puedo jugar con ellos según sea necesario. Hay otro allí. Perfecto. Nuevamente, este es solo un ejemplo de uno de los gráficos. Tenemos la mortalidad del control en el eje X, la mortalidad del tratamiento con PX en el eje Y, y estas pequeñas banderas. Me permite entender dónde están los ensayos de Europa, donde cada uno de estos puntos es un ensayo en nuestra base de datos. Hay un montón de ensayos de EE. UU. con una mortalidad realmente alta allí. Los de Asia generalmente tienen una mortalidad baja aquí en la parte inferior.
Esto me permite analizar los datos y tener flexibilidad para comprender qué sucede en ellos en lugar de tener que buscarlos y traerlos a Excel desde SAS y hacer gráficos en Excel. De esta manera, ahorramos mucho tiempo.
Perfecto. Solo algunas conclusiones sobre esto. JMP significa que hacemos menos manipulaciones de datos, por lo que la licencia de JMP se amortiza sola. Tenemos menos errores humanos. El software JMP hace el trabajo pesado con todas las fórmulas, todas las concatenaciones, todas las uniones de tablas, todo lo que se pueda imaginar. Lo hace en segundo plano, por lo que no hay ningún error humano. Todo esto ya estaba controlado cuando preparé el código. Todo este ahorro de tiempo nos permite concentrarnos en los pasos de valor agregado, como analizar los datos, escribir resúmenes, realizar seminarios web, hablar con nuestros clientes. De modo que agregamos más valor a nuestro tiempo.
Nos permite resolver muchos problemas e interpretar los datos de diversas maneras, y nos permite realizar distintos análisis de los datos en sí. Ahora bien, otra cuestión importante aquí es que hicimos todo esto y comenzamos en 2020, y no teníamos experiencia previa en scripts de JMP. Si yo puedo hacerlo, ustedes también pueden hacerlo. Muchas gracias. Nuevamente, mi correo electrónico está en la pantalla. Si tienen alguna pregunta o sugerencia, me encantaría saberlo.
