756671_fr-FR

liliconcom

Exploiter les données chez Dairygold : des graphiques à barres aux réseaux neuronaux (2021-EU-30MP-735)

Kieran O'Mahony, responsable de la science des données et de l'analyse, Dairygold

De nos jours, l'analyse de données est généralement associée à des secteurs tels que la finance, la santé, l'industrie pharmaceutique, les dispositifs médicaux, les semi-conducteurs, le e-commerce, etc. Les mots « agriculture » et « analytique » sont rarement utilisés dans une même phrase. Cette session présentera comment une entreprise de ce type, ancrée dans la tradition et l'histoire, a adopté et encouragé l'analyse de données pour s'assurer qu'elle ne soit plus considérée comme une entreprise « riche en données, mais pauvre en informations ». Cette session présentera de nombreux exemples illustrant comment l'utilisation de JMP a permis une prise de décision plus axée sur les données chez Dairygold.

Transcription générée automatiquement...

Conférencier	Transcription
Kieran O'Mahony	Ok, alors merci beaucoup, je m'appelle Kieran O'Mahony et je suis le responsable de la science des données et de l'analyse pour Dairygold en Irlande.
	Et le titre de ma présentation est « Traiter les données chez Dairygold, des graphiques à barres aux réseaux neuronaux ».
	Je pense donc qu'il est juste de dire que l'utilisation de l'analyse de données est généralement davantage associée à des secteurs tels que la finance et la santé, les produits pharmaceutiques, les semi-conducteurs et autres, et il est probablement rare que les mots agriculture et analyse se trouvent dans la même phrase.
	Cette session a pour but de donner un aperçu de la manière dont une entreprise très traditionnelle a adopté et encouragé l’utilisation de l’analyse dans l’ensemble de l’entreprise.
	Cette session sera donc probablement différente des autres sessions que vous pourriez voir à Discovery, dans le sens où ce que j'essaie de faire ici est moins de me concentrer sur un seul projet, mais plutôt de montrer plusieurs exemples de la façon dont
	Dairygold a utilisé JMP pour permettre des décisions davantage basées sur les données dans l'ensemble de l'entreprise, et pas seulement dans le secteur de la fabrication, ce qui me semble important.
	Alors, avant de commencer, je suppose qu'il est important de donner un peu de contexte sur l'entreprise, un aperçu et ce que nous faisons.
	So Dairygold est la principale coopérative d'agriculteurs d'Irlande, dotée d'installations de fabrication de fromage et de poudre nutritionnelle à la pointe de la technologie, situées au cœur des Golden Valleys.
	D'accord, donc juste pour expliquer cela, en tant que coopérative, nous... cela signifie essentiellement que nous appartenons aux fournisseurs de lait, donc aux agriculteurs.
	Nous avons donc 2 800 fournisseurs de lait qui nous approvisionnent quotidiennement en lait et chacun d’entre eux est actionnaire. Le modèle économique est donc un peu inhabituel dans le sens où les fournisseurs de matières premières sont également propriétaires de l’entreprise.
	L'an dernier, notre chiffre d'affaires s'élevait à 1,2 milliard d'euros, nous employons environ 1 200 personnes et traitons environ 1,4 milliard de litres de lait par an. Cela représente donc une quantité considérable de lait qui nous parvient chaque jour. En fait,
	Au plus fort de la production, parce que nous avons une activité saisonnière, au plus fort de la production, nous parlons de plus de 6 millions de litres de lait qui arrivent sur les sites quotidiennement.
	Nous avons également des magasins de détail où vous pouvez acheter de tout, du marteau à l'électroménager, en passant par le matériel agricole et bien d'autres produits. Nous avons également une activité agricole, où nous produisons des aliments pour animaux dans nos usines.
	Dairygold existe depuis longtemps, et l'entreprise a débuté en 1908 sous le nom de Ballyclough, puis est devenue Mitchelstown en 1919, puis Dairygold en 1990.
	Et nous avons probablement parcouru un long chemin... enfin, pas probablement... il est juste de dire que nous avons parcouru un très long chemin depuis l'époque où le lait était livré par cheval et en calèche, il y a toutes ces années.
	C'est une organisation très traditionnelle et riche d'histoire, mais c'est aussi une organisation très progressiste.
	Et quand je dis que nous avons parcouru un long chemin, vous savez que nous avons une très grande chaîne d'approvisionnement avec une flotte de pétroliers maintenant, et chaque pétrolier,
	Vous pouvez voir un exemple ici : chaque camion-citerne transporte environ 26 000 litres de lait, et nous collectons quotidiennement du lait auprès de nos 2 800 fournisseurs. La chaîne d'approvisionnement est très complexe, car
	non seulement nous collectons le lait auprès de nos fournisseurs, mais nous collectons également le lactosérum auprès de nos usines de transformation de fromage, si nous ne le dirigeons pas automatiquement
	Par un tuyau vers un autre site. Nous le récupérons également dans des citernes et le transportons vers d'autres sites.
	Et nous faisons la même chose pour le concentré de lait écrémé et le concentré de lactosérum déminéralisé que nous vendons à d'autres clients, et nous avons également la partie poudre et la partie fromage de l'entreprise que nous distribuons également.
	Nous avons également certains des plus grands séchoirs (?) d'Europe, vous pouvez en voir un en particulier ici qui s'étend sur cinq ou six étages.
	Donc, au cours des cinq ou six dernières années, Dairygold a investi plus de 400 millions dans ses usines, donc c'est pour s'assurer... pour s'assurer que nous avons...
	Nous pouvons répondre aux besoins futurs d'expansion du volume de production laitière. Concernant les produits que nous fabriquons, nous
	des poudres et du fromage, pour la plupart, des poudres de lait entier aux poudres de lait écrémé et aux poudres de protéines et de nombreux types de fromages différents, en particulier du fromage et du cheddar.
	Et nous fournissons de nombreux secteurs, de la confiserie et de la pizza aux produits salés, en passant par les yaourts et les aliments transformés et même les préparations pour nourrissons, donc les aliments pour bébés.
	Et il est probable que vous ayez... si vous avez mangé aujourd'hui, il est très probable que vous ayez également consommé du lait écrémé en poudre ou du lait entier en poudre, car il est tellement répandu, de nos jours, dans de nombreux ingrédients alimentaires.
	Voilà donc le contexte de l'entreprise. En termes de données, je pense qu'il est juste de dire que de nombreuses entreprises sont considérées comme très riches en données, mais pauvres en informations.
	Et il est également juste de dire que plus vous avez de données, plus ce qui peut parfois aller avec elles peut également entraîner beaucoup plus de confusion.
	Et parfois, je pense qu'il est juste de dire que même lorsque vous avez toutes les informations et que vous avez... donc vous avez cette population, et vous avez, vous savez, une idée de ce qu'est exactement
	vous devez extraire afin d'obtenir des informations utiles de l'entreprise, parfois les entreprises ne savent pas exactement quoi faire de ces données.
	Et du point de vue de Dairygold, ce que nous voulons faire, c'est essayer de nous éloigner davantage du côté droit du cerveau, où il se concentre sur l'utilisation, je suppose, d'hypothèses, d'intuition, de conjectures et d'intuition.
	et se déplacer davantage vers le côté gauche du cerveau, où l'on se concentre davantage sur l'utilisation de la logique, des mathématiques, de la raison et de la science, mais c'est ce que nous voulons utiliser davantage dans l'entreprise et utiliser davantage de prise de décision basée sur les données dans toute l'entreprise.
	On m'a demandé une fois, avant une présentation, de donner un résumé de la stratégie de données de Dairygold et de le faire sur une seule page, et je suppose qu'à l'époque, je...
	c'est à ce moment-là que j'ai réalisé que nous n'avions probablement pas de stratégie de données solide à l'époque.
	Mais ce que j'essaie de faire ici maintenant, c'est simplement de montrer dans une seule image quelle est notre stratégie de données réelle et c'est très simple.
	Nous souhaitons donc prendre les données existantes dans l’entreprise et utiliser l’analyse pour les transformer en informations utiles.
	Et à partir de ces informations, nous obtenons des réponses aux questions clés que nous nous posions, et parfois non seulement nous obtenons des réponses aux questions que nous nous posions, mais parfois
	En fait, nous nous retrouvons avec davantage de questions. Mais celles-ci sont vraiment importantes et très percutantes, car ce sont des questions que nous n'avions pas su poser dès le départ.
	Parfois, nous devons donc revenir en arrière et examiner à nouveau nos données pour obtenir des réponses à ces questions.
	Mais en fin de compte, lorsque nous arrivons au point où nous avons des réponses à toutes nos questions, nous sommes dans une bien meilleure position et nous avons beaucoup plus d’informations sur nos processus.
	Et avec cette vision, nous sommes alors en mesure de prendre des décisions opportunes basées sur des données et de nous donner les bonnes... nous envoyer dans la bonne direction.
	Et si nous comprenons suffisamment bien notre processus, si nous avons suffisamment d’informations, nous devrions alors être en mesure d’utiliser ces données pour pouvoir
	Comprendre ce qui pourrait se produire dans le futur, avec une grande précision. Une bonne compréhension devrait donc nous permettre d'avoir une bonne anticipation, nous permettant de prédire ce qui va se passer.
	Donc, comme je l’ai dit au début, le but de cette présentation est de donner un certain nombre d’exemples des différentes manières dont les données ont été utilisées dans Dairygold.
	Nous sommes, je dirais, vous savez, bien avancés sur le chemin d'un point de vue interne, en termes de prise de décisions basées sur nos données, et nous commençons à nous intéresser à tout le domaine de l'apprentissage automatique et de l'IA à ce stade.
	Je crois donc fermement que la simplicité peut également être très puissante.
	Et c'est pourquoi cette présentation s'appelle des graphiques à barres aux réseaux neuronaux.
	Je pense qu'il est essentiel de souligner que l'on peut tirer une grande valeur d'analyses très simples. Le premier exemple que je souhaite partager ici concerne les graphiques à barres.
	Mais parfois, je pense que les gens peuvent aller dans des présentations et avoir un graphique à barres s'étendant sur plusieurs pages et avec JMP, c'est tellement facile de mettre toutes les informations sur une seule page.
	vue. Dans ce cas, nous examinons l'acide nitrique dans un processus de nettoyage et, ici, en haut, nous pouvons voir chaque point de données individuel et chacune des étapes d'un processus de nettoyage à l'acide nitrique.
	Vous pouvez voir le niveau d'acide nitrique utilisé à chaque étape. L'étape suivante, que nous examinons, est le nombre d'utilisations, c'est-à-dire le nombre de cycles effectués.
	Nous examinons ici la consommation moyenne d'acide nitrique pour chaque étape. À titre d'exemple, nous pouvons voir que :
	vous savez, nous avons ici une moyenne plus élevée de 24 litres par semaine utilisés, mais la fréquence d'occurrence de cette étape n'était que de quatre fois,
	et c'était clairement biaisé par cette valeur aberrante ici, donc c'est évidemment biaisé, et probablement plus important encore, pour nous, parce que ce que nous essayons de faire ici, c'est de comprendre
	et réduire la quantité d'acide nitrique utilisée quotidiennement, hebdomadairement et mensuellement, est la somme de l'acide nitrique utilisé tout au long du processus pour chacune des étapes du processus.
	Et ce qui était important... ce qui était important pour nous de souligner ici, je suppose, et encore une fois, ce ne sont que de simples graphiques à barres, mais cela nous a donné une énorme direction.
	dans l'entreprise et nous a envoyés... désolé, j'ai évité de nous envoyer sur une tangente parce que lorsque nous avons examiné toutes ces données, nous pouvons voir que
	Trois zones distinctes ont été mises en évidence : le rinçage final, le prérinçage et un autre rinçage final. Les données montraient
	que de l'acide était utilisé pendant ces étapes de rinçage, ce qui n'est pas possible car les étapes de rinçage n'impliquent que de l'eau.
	Des recherches plus poussées ont montré que des balises de données incorrectes avaient été initialement configurées par un fournisseur sur notre système de scanner (?)
	pour nos débits surveillés. Alors que nous pensions surveiller réellement la consommation d'acide nitrique, ce n'était pas le cas. Nous étions mal informés.
	nous aurions vraiment pu partir et creuser en profondeur et comprendre notre processus et ce qui le motivait, mais des graphiques à barres très simples centrent souvent une direction appropriée et nous avons pu comprendre avec précision ce qui se passait réellement dans notre entreprise.
	Et notre utilisation des graphiques à barres dans l'entreprise et, si je suis honnête, c'est probablement l'une de mes utilisations préférées des graphiques à barres dans l'entreprise parce que c'est si simple.
	Mais cela montre... cela montre quatre dimensions différentes des temps d'arrêt, le tout sur une seule page, vraiment simple et très convivial et intuitif à utiliser et à lire, je pense aussi.
	Nous avons ici le nombre d'arrêts surveillés dans une fromagerie par mois. L'axe des Y représente les minutes d'arrêt.
	pour chacune des six zones différentes à l'intérieur de la fromagerie, pour chacun des six mois d'avril, mai, juin, juillet, et ainsi de suite jusqu'en septembre par ordre décroissant, par ordre temporel, je suppose, vraiment
	pour chacun des quarts de travail A, B, C et D. Maintenant, on pourrait vous pardonner de penser que les données ont été inventées parce que le nombre de minutes est si faible, mais c'est vraiment important d'un point de vue
	Du point de vue de la fabrication du fromage, l'usine ne s'arrête pas. Ce sont donc des chiffres réels : nous surveillons les temps d'arrêt en minutes par mois.
	Si le processus s'arrête, le pH du produit change et cela peut avoir une influence négative
	le prix de vente final et la qualité du produit également, il est donc important que nous ne nous arrêtions pas.
	Voilà donc où nous en sommes en termes de maintenance. Nous sommes à quelques minutes et nous constatons clairement qu'il n'y a pas trop de problèmes avec BetaVac, mais pour les blockformers, nous constatons des problèmes avec les équipes C et D.
	Avec d'autres problèmes ici pour C sur Blockmaster. Dans ce domaine des convoyeurs, C ressort à nouveau, ainsi que pour les goussets C et D.
	Et peut-être d'autres problèmes avec les équipes C et D. Cette analyse révèle que les équipes C et D rencontrent quelques difficultés en termes de maintenance et ont besoin d'un peu plus de soutien.
	Nous aimons particulièrement le lien dynamique
	JMP est également un élément clé pour l'exploration des données. Dans ce cas précis, je tiens à souligner que nous disposons de nombreux laboratoires au sein de l'entreprise : microbiologie, chimie, etc.
	et nous testons le lait, le fromage, l'eau, les produits en cours de fabrication et les produits finis, et nous testons un grand nombre d'éléments de l'entreprise.
	Et cette fonction de lien interactif qui était, comme vous pouvez le voir ici, a été transformée en un HTML interactif,
	a été utilisé pour que différentes personnes au sein de l'entreprise puissent travailler à la création d'un référentiel, puis pouvoir le consulter et interagir avec lui.
	Donc, ce que nous essayons de faire ici, c'est de créer un référentiel dans lequel nous avons des problèmes qui existent au sein de l'entreprise, donc dans ce cas, je mets en évidence le blocage... désolé, je montre les tubes bloqués et le CIP de l'évaporateur et la coupure de courant.
	Lorsque vous cliquez sur « Coupure de courant », les zones ombrées des barres vertes sont mises en surbrillance. Dans ce cas, vous voyez une ou plusieurs coupures de courant survenues en août.
	Cela a affecté ces étapes de traitement ici et le micro-organisme, en particulier, qui a été le plus observé dans ces processus était le streptocoque.
	Donc, l'intérêt ici est que lorsque nous continuerons à ajouter des problèmes à ce référentiel du point de vue des facteurs, nous pourrons alors
	Regardez vers l'avenir pour voir les risques pour l'entreprise lorsque quelque chose se produit, afin que nous sachions que la prochaine fois que nous aurons une panne de courant, nous devrons peut-être augmenter la quantité de tests à ce stade ou à ce processus, car il y a un risque plus élevé de survenue d'une infection streptococcique.
	Parfois, vous arrivez au point où vous avez tellement de barres que vous devez ajouter, vous savez, la saisonnalité et des douceurs
	Des lignes supplémentaires permettent également d'accroître la visibilité. C'est un défi que nous rencontrons dans notre activité, et j'y reviendrai plus tard : la saisonnalité de l'activité.
	Et nous le sommes beaucoup, parce que les vaches mangent l'herbe et l'herbe est utilisée, puis évidemment pour faire du lait, en fin de compte, et parce qu'en Irlande, le climat est très instable.
	Il peut pleuvoir un jour, neiger le lendemain et faire du soleil le jour suivant, donc du point de vue de la saisonnalité, chacune des couleurs de barre ici est utilisée pour représenter une année différente, donc 2015, 16, 17, 18.
	Et ce ne sont que les week-ends aussi, je dois ajouter, et il examine les commandes globales du week-end au milieu pour un vert.
	Vous pouvez voir que les années 2016 et 2017 sont quelque peu similaires dans le sens où elles ont cette forme en M, alors que 2018 ici est très, très différente.
	Donc, à titre d'exemple, nous nous sommes tous lancés des boules de neige et six semaines plus tard, il y a eu une vague de chaleur, avec une interdiction d'utiliser un tuyau d'arrosage.
	Il est très, très difficile d’utiliser des données de saisonnalité qui dépendent effectivement de la météo au sein de l’entreprise, mais c’est l’un des défis que nous essayons de surmonter.
	Donc, d'un point de vue tendance, nous utilisons également JMP pour l'exploration non pilotée par projet. Voici un exemple de moyenne mensuelle de 2 800 fournisseurs de lait.
	Résultats des analyses de protéines et de lipides sur une période de deux ans. Chaque graduation représente ici, dans ce cas, septembre 2018, octobre 2018, etc.
	Cela montre donc l'ampleur des variations, tant au sein de nos fournisseurs qu'entre eux. L'avantage est que nous pouvons nous concentrer sur ce point et nous demander, par exemple, pourquoi ce client est si haut.
	Et il est constamment riche en matières grasses et en protéines et y a-t-il quelque chose que nous pouvons apprendre de ce fournisseur que nous pouvons peut-être apporter à d'autres fournisseurs ?
	Ou, à l’inverse, existe-t-il d’autres fournisseurs en bas de gamme ?
	qui pourraient bénéficier d'un peu de soutien et d'aide de la part de nos conseillers en lait, car ils sont constamment incapables d'obtenir leurs niveaux de protéines et de matières grasses dans leur lait.
	élevé. Ces paramètres sont importants, car ce sont eux qui permettent aux agriculteurs d'être payés : le niveau de protéines et de matières grasses.
	Donc, dans ce cas, il s’est avéré que ce type en particulier était l’un des rares fournisseurs de lait à choisir de traire une seule fois par jour.
	Donc, cela signifie que ses niveaux de graisse et de protéines sont en fait plus élevés que ceux de tout le monde, mais il a moins de volume à redonner à Dairygold, mais c'est son choix.
	intrigues parallèles.
	Et ce sont mes préférés du moment parce que je pense qu'ils montrent tellement d'informations sur une seule page, en même temps, pour tellement de paramètres différents.
	Il s'agit d'un problème qui se produit actuellement, donc il vient tout juste d'être publié et le problème n'a même pas encore été résolu.
	Donc ce que nous regardons ici est... c'est lié aux blocages intermittents de poudre sur les sécheurs à lit fluidisé et les cyclones,
	Ce qui signifie que la poudre obstrue les sécheurs et les cyclones. On appelle cela des étranglements, donc l'équipement est obstrué et il faut l'arrêter pour le nettoyer.
	Donc, ce que nous regardons réellement ici, c'est
	30 paramètres différents, tous mesurés sur... tous affichés sur l'axe X ici.
	Et chacune des lignes allant de gauche à droite représente une minute de temps pour les réglages de chacun de ces 30 paramètres. Le rouge indique le
	minutes qui se trouvent dans l'heure précédant l'étouffement, donc ce sont, ce sont les réglages de niveau, si vous voulez, pour 60
	occurrences...60 minutes avant qu'un étranglement ne se produise, et ce groupe rouge ici représente neuf occurrences d'étranglement différentes.
	D'accord, donc il y a tout ce qui n'est pas 540 brins ici, donc c'est effectivement l'empreinte digitale de ce qui se passe, juste avant qu'un étranglement ne se produise.
	Et quand... ce que nous essayons de faire, c'est de comparer cela à des scénarios de production opérationnels normaux typiques du point de vue des paramètres de la machine.
	Et c'est vraiment bien, car on peut les comparer, et c'est encore mieux quand on peut les superposer. J'ai… le mode sans starter est flou en arrière-plan. Ce qui est intéressant, c'est qu'on peut vraiment voir
	En quoi le scénario avec étranglement diffère du scénario sans étranglement, et comprendre ce qui se passe. Par exemple, une question actuellement explorée est :
	vous savez, nous semblons avoir des niveaux plus bas de ce que c'est... la pression différentielle.
	Et, la plupart du temps, lorsqu'un étranglement survient, est-ce un facteur contributif potentiel auquel il faut prêter attention ? Est-ce quelque chose qui en est la cause ? Parce que l'ordre de fonctionnement habituel
	Les paramètres de pression différentielle sont également élevés ici, même si tout va bien. Encore une fois, un seul exemple.
	En utilisant les données GPS pour visualiser les tendances et les schémas de localisation des fournisseurs, nous examinons ici les niveaux de protéines en décembre et dans toute la région de Munster, où se trouvent tous nos fournisseurs. Chaque point représente la localisation d'un fournisseur au sein de l'entreprise.
	Et la taille du point représente le volume de lait que le fournisseur fournit à Dairygold, donc vous savez, plus le point est gros, plus la ferme est grande.
	Et il y a une échelle divergente ici, où nous nous attendons à ce que le volume... désolé que les niveaux de protéines devraient être de 3,5, donc nous sommes moins intéressés par cela et c'est ombré en gris.
	Mais tout ce qui est supérieur à 3,5 est en vert, donc ce sont les gars qui s'en sortent vraiment bien, et en rouge, ce sont les fournisseurs qui sont peut-être,
	Excusez-moi, mais ils ont peut-être un peu de mal à augmenter leur teneur en protéines. C'est pourquoi nous pouvons utiliser nos propres données pour contacter des fournisseurs qui pourraient avoir besoin du soutien de nos conseillers laitiers. Nous pouvons également les aider, ce qui est très utile.
	En restant sur l'aspect géographique, nous avons également pu mettre un terme à certains mythes séculaires. Voici donc les
	des discussions qui pourraient avoir lieu autour de la fontaine à eau, où quelqu'un dirait que cette chose, le NPN, est définitivement géographiquement affecté.
	Le NPN est déjà assez difficile à expliquer, alors je vais utiliser l'analogie d'une pinte, une pinte de bière si vous préférez. C'est plutôt comme un verre, je pense, en fait.
	Comme chacun le sait, le lait contient des protéines, des matières grasses, du lactose, des minéraux et des vitamines. Ce sont des aliments bénéfiques.
	Et, mais il y a aussi beaucoup d'autres choses dedans, et si nous considérons simplement les protéines dans leur ensemble, vous pouvez considérer la pinte entière comme étant des protéines que nous obtenons dans le lait des agriculteurs.
	Mais cette protéine peut être décomposée en véritable protéine qui est essentiellement la partie liquide de la boisson ici.
	Et c'est cette partie que nous pouvons réellement utiliser dans notre processus de fabrication. La partie mousseuse ici, c'est l'autre élément, donc l'urée, l'acide urique, etc.
	Bien que nous payions nos fournisseurs pour toutes les protéines, nous ne pouvons malheureusement pas utiliser toutes les protéines dans notre processus, nous ne pouvons donc utiliser que ce morceau ici, le vrai morceau, ou comme la vraie protéine.
	Ainsi, selon le processus, il se peut que si nous ayons des niveaux plus ou moins élevés de NPN, azote non protéique, à un moment donné de l'année,
	alors il serait peut-être préférable de diriger ce produit vers un site particulier
	Nous sommes maintenant sur un autre site, ce qui nous permettra peut-être d'être stratégiques. La question a toujours été : vous savez, je parie qu'à une période donnée de l'année, la situation géographique aura un impact sur les niveaux d'azote non protéique.
	les emplacements géographiques. Ce que vous voyez ici, ce sont des données provenant de 284 000 points de données, soit 284 000 mesures de NPN.
	azote non protéique, sur une année entière, dans six régions différentes du Munster, dans le sud de l'Irlande.
	Et les lignes ici représentent les moyennes et la différence de moyennes qui existent d'un mois à l'autre, mais aussi les moyennes qui diffèrent d'un point de vue de couleur d'une région à l'autre.
	Les boîtes à moustaches ici représentent la quantité de variation qui existe à l'intérieur et entre, encore une fois, chacune des régions, donc clairement, vous pouvez voir que les moyennes suivent
	s'accordent bien les uns avec les autres pour chaque région et aussi chaque fois que le niveau de variation diminue,
	disons qu'en juillet ici, il semble que cela diminue dans toutes les régions, à l'exception peut-être d'une légère anomalie ici pour Tipperary, dans ce cas.
	Mais dans la plupart des cas, lorsque la variation augmente également dans une région, elle augmente dans toutes les régions.
	Nous ne pouvons donc plus… nous n'avons plus besoin de parler du potentiel de ceci, de cela ou d'autre chose. Nous sommes également capables de prouver et de réfuter des théories très rapidement grâce à nos données.
	Tous les cinq ans, nous envoyons le recensement à mi-parcours (?) à nos fournisseurs de mélanges et cela nous aide à comprendre les intentions de volume futur et les défis que les fournisseurs pourraient avoir sur leur ferme.
	Et cela donne une indication du sentiment de nos membres en termes d’orientation commerciale et d’investissement.
	Nous avons récemment envoyé plus de 100 questions à chacun de nos 2 800 fournisseurs et, dans ce cas, la question que nous avons posée était : quels sont les facteurs limitant la croissance dans votre exploitation ?
	Les participants disposaient de neuf options, dans ce cas, de un à neuf. On leur demandait de classer ces facteurs par ordre d'importance, de un à neuf. Comme vous pouvez l'imaginer, on obtient 2 800 résultats.
	de chaque fournisseur mais chaque résultat a un score de un à neuf et certains d'entre eux n'ont pas toujours obtenu un score de un à neuf, ils n'ont peut-être fait que leurs trois premiers, d'autres peut-être leurs cinq premiers ou sept premiers ou autre.
	La question est donc de savoir comment vous pouvez représenter au mieux toutes ces données, ces 25 000 points de données, dans une image claire qui représente l’ensemble de la communauté agricole déclarant à Dairygold, si vous voulez.
	Et les résultats sont… la réponse ici est simplement une mosaïque. Vous pouvez voir ici, espérons-le, très clairement que 48,8 % des répondants, parmi nos fournisseurs, ont classé le facteur 4 comme le plus significatif.
	Facteur limitant l'expansion de leurs exploitations. Il est suivi du facteur 5, pour lequel 19 % des répondants ont voté comme le facteur le plus important, et 23 % comme le facteur le plus important.
	en deuxième position. On retrouve les facteurs les plus importants pour les agriculteurs de gauche à droite.
	Donc la couleur est vraiment importante ici et je poursuis avec cette équipe ici avec des cartes thermiques stratifiées, encore une fois, pour une partie très différente
	Commandes au détail. Dans ce cas, nous examinons le nombre de commandes passées par heure de la journée, le week-end uniquement.
	Pour alimenter nos magasins. Ceci concerne les vendredis, samedis et dimanches de chacune des quatre années 2015 à 2018.
	Et pour l'heure de la journée à laquelle les commandes sont envoyées. Désormais, les commandes peuvent être envoyées par les agriculteurs sur des applications et... ou
	Ils peuvent sonner la commande. Mais vous pouvez le voir clairement ici, le vendredi, vous savez, quand le premier
	Pendant la traite des vaches, des agriculteurs sortent et, à cinq heures du matin, disent : « OK, j'ai besoin de plus de fourrage. » Je vais passer commande automatiquement ici dans l'application.
	Et encore, cela pourrait se reproduire, peut-être vers midi, selon l'heure de traite du troupeau, etc. Mais l'intérêt ici, c'est que nous pouvons
	comprendre quelles sont les périodes les plus chargées du week-end pour recevoir des commandes et quand les commandes doivent être traitées, et cela peut nous permettre de comprendre
	Comment optimiser les effectifs tout au long du week-end ? Il est donc inutile d'avoir le même nombre de personnes le dimanche et le vendredi. Peut-être plus.
	Il faudrait consacrer du temps à la gestion du temps… et davantage d'effectifs devraient se concentrer sur la réception des commandes le vendredi, et peut-être aussi tôt le samedi matin. Cela a permis d'optimiser les effectifs dans nos magasins.
	Encore une fois, en gardant le thème de la couleur et, comme nous le savons, des analyses sophistiquées, mais comme vous le remarquez, nous y arriverons sous peu,
	mais restez sur le thème de la couleur, et ce que vous regardez ici est le résultat où nous avons représenté graphiquement un grand lit de fromage.
	Donc, quand je dis grand, cela fait probablement 25 mètres de long et probablement deux mètres de large. À ce stade, tout le caillé a été vidé du petit-lait, puis ce lit de fromage est écrasé et découpé en 70 lanières.
	Et puis les bandes sont coupées en cinq blocs et ensuite ce que nous avons fait, c'est que nous avons mesuré la hauteur des blocs à gauche, au milieu et à droite.
	Nous essayons donc d'obtenir une jauge de la hauteur du lit de fromage pour cette énorme tranche de fromage.
	Et une fois que nous avons pu faire cela, nous avons pu obtenir une très bonne image de ce qui se passe réellement et utiliser la couleur comme guide, ainsi que la largeur de notre lit de fromage.
	Donc, clairement, le rouge signifie le plus haut, le vert signifie un peu plus bas et nous mesurons ici en millimètres, donc c'est de 120 millimètres à 155 millimètres.
	Clairement, vous pouvez voir ici qu'il y a une petite pente quand vous partez du coin supérieur gauche
	côté, où les hauteurs sont plus élevées vers le bas vers le côté gauche et vers le côté inférieur gauche également, où le lit tombe réellement.
	C'est donc très important pour nous car, du point de vue de la variabilité, ce que nous essayons de comprendre, c'est s'il y a une différence... pourquoi y a-t-il une différence dans les blocs...
	du poids des blocs entrant dans notre processus ? Cela explique en grande partie ce phénomène. L'une des raisons est que si la hauteur des blocs est différente,
	alors la logique voudrait que le poids des blocs soit également différent si le fromage a été comprimé de la même manière... par la même force.
	Donc, encore une fois, il est plus facile pour les gens de comprendre cela en images, en particulier s'ils ne sont pas très versés dans le côté analytique de l'entreprise.
	Pour aller plus loin dans l'analyse, je suppose, regardez, nous avons beaucoup utilisé le contrôle statistique des processus dans l'ensemble de l'entreprise et pour,
	Vous savez, il faut chercher des opportunités et vérifier les améliorations. Nous analysons ici l'utilisation du dioxyde de carbone, et nous l'utilisons sur place dans nos produits, notamment dans nos poudres.
	lorsque nous ensachons des poudres pour prolonger la durée de conservation des produits, ce qui est une pratique courante dans l'industrie.
	Nous expulsons donc tout l'air et nous ajoutons du dioxyde de carbone lorsque nous remplissons les sacs et, mais vous pouvez le voir ici, puis nous scellons les sacs, mais vous pouvez voir ici, nous avons eu beaucoup de variations, notamment en 2017.
	Et nous avons pu maîtriser ce processus, et nous avons pu garantir qu'en 2018, la vie était très, très différente et
	où notre consommation moyenne de dioxyde de carbone est considérablement réduite. Nous avons encore des défis à relever, et une tendance se dessine peut-être ici aussi, qui mériterait une enquête.
	il y a aussi des avantages à ce genre de chose, car tant que... en plus de maîtriser notre processus et d'avoir pu le démontrer statistiquement, nous sommes également en mesure de créer certains
	des études visant à évaluer efficacement le taux d’absorption du dioxyde de carbone dans nos poudres également.
	Donc, et c'est vraiment important, car si nous pouvons comprendre comment notre produit absorbe le dioxyde de carbone, cela conduit à d'autres avantages, l'un d'eux étant
	lorsque la graisse absorbe le dioxyde de carbone dans un sac, elle crée un vide à l'intérieur de ce sac scellé, donc lorsqu'elle crée un vide
	le sac commence à se sceller autour de la poudre et rend le sac de poudre beaucoup plus rigide.
	Ainsi, du point de vue de la chaîne d'approvisionnement, cela réduit les risques et facilite la vie lorsque nous pouvons empiler ces sacs sur des palettes pour le transport et l'expédition.
	Maintenant, c'est comme si on empilait des blocs de béton, au lieu d'essayer d'empiler des coussins doux, moelleux et souples. Donc, tout le monde y gagne. Nous avons
	utilisé et je ne suis certainement pas un codeur, mais nous avons certainement tendu la main et obtenu beaucoup d'aide du groupe d'utilisateurs irlandais
	et à la communauté JMP... Et en fait, vous savez quoi, je vais souligner Troy Hickey d'Intel, en particulier, qui nous a été très utile en nous aidant depuis le groupe d'utilisateurs irlandais.
	Dans la communauté JMP, c'est formidable lorsque vous tendez la main et posez une question, dans un domaine dans lequel vous recherchez peut-être des éclaircissements.
	ou peut-être un domaine dont vous ne savez rien, et pour obtenir une réponse de personnes dont vous n'avez jamais entendu parler, un expert répond également de manière excellente.
	Donc dans ce cas-ci, nous avons pu créer du code en utilisant du JSL et nous avons pu créer ceci et contrôler le graphique
	Format, si vous préférez, avec des onglets. Dans ce cas, pour le lait écrémé en poudre, le lait entier en poudre, le lactosérum déminéralisé en poudre et la caséine pour mesurer les protéines.
	Tests dans nos laboratoires. Nous surveillons actuellement une trentaine de tests différents et analysons les différences entre les normes et la chimie humide.
	au quotidien, et aussi la différence qui existe entre les méthodes manuelles et les méthodes proches infrarouges, donc les méthodes automatisées.
	Et nous voulons nous assurer, par exemple, que si nous examinons les normes de chimie humide, nous visons un objectif de zéro. Nous ne voulons pas qu'il y ait de différence entre les résultats que nous testons en laboratoire et ceux du laboratoire.
	La norme le dit. Nous voulons donc une cible de zéro, ce qui nous montre que, dans ce cas,
	protéines, sur poudre de lactosérum déminéralisée, nous sommes légèrement en dehors ; nous sommes à 0,04 et nous pouvons suivre le profil de notre processus et nous pouvons obtenir
	Le processus nous signale qu'un changement de processus s'est produit. Donc, neuf données… au moins neuf points consécutifs au-dessus de la moyenne, dans ce cas.
	Et nous savons alors qu'il faut arrêter le processus et ne plus continuer, car nous devons enquêter et mettre en place quelque chose pour rectifier... rectifier le problème, le changement de processus dans ce cas.
	Donc, cela a été extrêmement positif pour nous et nous sommes à un stade où nous avons maintenant cette configuration et elle fonctionne tous les jours, et malgré cela,
	vous savez, des centaines et des centaines de centaines, des milliers, même à ce stade de points de données, le script est configuré, de sorte qu'il n'affiche que les 42 derniers points de données, qui sont la dernière semaine de données à un moment donné, même si les limites de contrôle sont définies pour
	basé sur les données précédentes. C'est donc une excellente chose de contacter la communauté JMP. En termes de
	les heures d'arrivée des camions dans l'entreprise, donc dans ce cas, nous avons 54 000 camions-citernes qui arrivent sur quatre sites différents, vous savez, de minuit à minuit.
	C'est très utile pour nous donner une idée des différentes distributions, notamment en ce qui concerne les délais de livraison sur les sites. C'est important pour nous, car nous ne voulons pas qu'un camion-citerne arrive sur le site.
	et décharger le lait et quitter le site le plus rapidement possible. Nous ne voulons pas nous retrouver dans une situation où nous aurions
	Il y a beaucoup de regroupement et, sur un site, comme ici, des camions alignés les uns derrière les autres. Nous souhaitons une fluidité optimale tout au long du processus.
	Et ici, vous pouvez voir par exemple, de huit heures du matin à neuf heures,
	C'est là que les gens prennent probablement leur petit-déjeuner. Notre trafic est plus dense et les livraisons sur les sites sont moins fréquentes. De même, le soir, le trafic est plus dense.
	Les camions sont bloqués ou absents… les chauffeurs sont partis dîner, etc. Nous pouvons donc approfondir la question et donner notre accord pour chacun des sites, soit deux, en l'occurrence Clonmel Road et Castlefarm.
	pour les routes qui arrivent, et ces sites sont vraiment proches les uns des autres, pour les routes qui arrivent en direction du nord, du sud, de l'est et de l'ouest,
	à quoi cela ressemble-t-il et avons-nous une distribution claire des données que nous voulons ou
	Y a-t-il des transporteurs qui ne livrent pas 24 heures sur 24 depuis l'est, par exemple ? Nous pouvons comprendre ce qui se passe et exploiter ces informations.
	et disons, d'accord à partir d'un taux de déchargement de pompe, parce que nous avons dans ce cas, deux sites qui ont 11 pompes qui déchargent
	plus d'un demi-milliard de litres sur deux sites, par an.
	Nous voulons comprendre quelles pompes sont plus ou moins efficaces que d'autres. On voit clairement ici que quatre pompes ont un taux de décharge plus élevé.
	Ils peuvent donc tirer plus de lait plus vite et plus en même temps que d'autres tire-lait. Vous pouvez voir ici que
	Sur le site 2, la pompe numéro trois est la plus efficace, tandis que les pompes 4 et 3 sont globalement les moins efficaces. Ainsi, si nous devions procéder à une révision, nous saurions que ce sont ces pompes qui doivent être révisées en premier.
	Nous utilisons JMP pour évaluer les systèmes de mesure en termes d'excellence et d'opportunités, et nous le faisons, vous savez,
	Il m'arrive tellement souvent que je n'arrive même plus à suivre. Dans ce cas, je regarde les orthophosphates (?), et vous savez, c'est un test standard de R&R, et les résultats sont vraiment bons. Donc voilà
	19 nombre de catégories distinctes ; 19 est excellent et Gauge R&R est de 0,5, donc moins de 10 est idéal et cela signifie simplement que vous savez que nous avons de très bonnes
	Des systèmes de mesure fiables et constants sont en place. Et quelle que soit la pièce que vous confiez à un analyste, il vous fournira le même résultat.
	Ainsi, la personne qui effectue le test n’influence pas les résultats des tests, ce que vous souhaitez toujours voir.
	Parfois, nous pouvons avoir des systèmes de mesure subjectifs et nous devons également effectuer une analyse de concordance des attributs.
	Donc, dans ce cas, nous examinons les évaluations visuelles des produits emballés, et vous pouvez rechercher quelque chose comme la rondeur, les bords endommagés ou le gaufrage.
	lisibilité, etc. Après les améliorations, vous pouvez constater que le taux de concordance entre les évaluateurs est de 90 à 95 %.
	Dans l’ensemble, vous pouvez constater que le niveau d’accord est de 82 % en termes de nombre de pièces appariées et convenues par
	au sein de chaque...au sein de chaque opérateur et entre chaque opérateur, mais probablement plus important encore, c'est l'efficacité, qui est l'alignement sur la norme.
	On constate ici que le taux d'adhésion à la norme est désormais de 96 %, ce qui est très bien. Et encore une fois, nous pouvons garantir que nos produits sont évalués de manière fiable, même en cas de subjectivité.
	Nous pouvons évidemment concevoir des expériences pour quantifier l'effet de divers facteurs. Dans ce cas, nous examinons l'indice d'azote des protéines du lactosérum (IPN), qui est une mesure de…
	dénaturation des protéines dans notre produit, c'est donc une indication du niveau de traitement thermique que le produit a reçu, et cela peut être,
	excusez-moi, cela peut être très important car le niveau de traitement thermique peut affecter l'application de
	Du point de vue du client. Ainsi, si, par exemple, un traitement thermique inapproprié a été appliqué, cela pourrait signifier qu'un client souhaitant utiliser notre produit pour en faire, par exemple, du yaourt,
	alors le produit ne serait pas adapté car il pourrait laisser une sensation granuleuse, une sensation granuleuse en bouche, peut-être ou quelque chose comme ça, donc ce n'est pas adapté à un produit comme le yaourt.
	Nous avions donc des problèmes avec des résultats incohérents concernant l'indice d'azote des protéines du lactosérum, et une certaine ambiguïté a été constatée dans notre procédure.
	car il était sujet à interprétation. On pouvait donc dire : « Vous savez, secouez quelque chose »,
	secouez ce flacon, vous savez, il pourrait juste dire secouez-le, et quelqu'un pourrait dire, ouais, je le secoue pendant cinq secondes, quelqu'un d'autre pourrait dire, je viens de l'inverser 10 fois, et quelqu'un d'autre dirait, ouais, je secoue vigoureusement pendant 30 secondes.
	Donc tout le monde, avec les meilleures intentions du monde, suivait la procédure, mais si la procédure est ambiguë, elle est alors ouverte à l'interprétation et cela peut également conduire à des incohérences.
	Nous essayons donc de concevoir des essais pour comprendre les facteurs qui peuvent influencer la variation de notre processus.
	Nous avons donc ici une solution de chlorure de sodium, donc juste une solution d'eau salée, préparée avec une barre de départ et sans barre de départ.
	La durée dans un endroit chaud est de 45 ou 60 minutes, puis en utilisant cette solution ici pour, et ce petit plan de test ici, nous étions... la température du bain-marie est de 37 et 40 degrés, c'est l'une des quatre solutions ici codées par couleur.
	Et puis nous avons des intervalles d'agitation du bain-marie et le nombre de gouttes de, je pense, de l'acide chlorhydrique qui a également été utilisé.
	Et encore une fois, nous pouvons utiliser l'explorateur interactif pour voir, lorsque nos résultats WPNI sont faibles, ce qui se passe avec le processus. Un peu
	Il est plus difficile de comprendre ce qui se passe ici, nous devons donc évidemment aller un peu plus loin et commencer à construire des modèles et à comprendre ce qui se passe.
	Les modèles sont assez bons ici en termes de points forts dont nous parlons, le R au carré est juste à environ 68 %.
	Et nous pouvons voir immédiatement que les principaux effets ici, le plus grand effet principal est la température du bain-marie, suivie ensuite de la durée de la barre d'agitation et de l'effet d'interaction de la plaque chauffante.
	Et nous pouvons également voir l'effet, quel paramètre tire... quel effet tire
	Le processus dans quelle direction. Nous avons également un précieux profileur de prédiction ici, en bas. Nous pouvons explorer ce qui se passe.
	Ce que j'aime, c'est que vous pouvez utiliser le résultat, parfois, eh bien, j'utilise parfois le résultat de certaines de ces expériences pour... d'un point de vue éducatif.
	J'ai donc parlé plus tôt du fait que la barre d'agitation et la durée sur la plaque chauffante sont des facteurs importants, et il s'agit d'un effet d'interaction, c'est-à-dire lorsque l'effet d'un facteur dépend du niveau de réglage d'un autre.
	Mais vous pouvez, vous savez, vous pouvez essayer d'expliquer à quelqu'un sur une page l'effet d'interaction ; nous avons des lignes croisées et des lignes croisées signifient qu'il y a
	Interaction forte : si les lignes sont parallèles, mais semblent sur le point de se croiser, il s'agit d'une faible interaction. Vous pouvez également prendre les données et les représenter graphiquement.
	et dans ce cas, beaucoup de gens n'ont pas vraiment vu à quoi ressemble une interaction avec deux facteurs, et voici à quoi ressemble une interaction... une interaction et elle peut être utilisée comme un...
	C'est aussi un outil pédagogique. Dans notre cas, le résultat de l'indice WPNI est sur l'axe des Y.
	durée sur plaque chauffante 45 minutes et 60 minutes, donc si on reste à 45 minutes, où on n'a pas de barreau mélangeur et si on change...on reste à 45 minutes et on passe à un barreau mélangeur, on voit qu'on est passé de ce niveau à ce niveau.
	Alors que lorsque nous passons à 60 minutes, nous sommes… le niveau WPNI est là, sans barre d'agitation et nous sautons vers une barre d'agitation, nous pouvons le voir descendre. Donc
	le saut n'est pas aussi important ici qu'ici, mais tout de suite, cela montre que l'interaction affectant la barre d'agitation et la durée sur la plaque chauffante est assez importante.
	Et c'est ce qui ressort de tout cela : une connaissance approfondie des processus et une bonne compréhension sont nécessaires. Nous pouvons également utiliser des outils de classification, comme dans ce cas précis, des arbres de décision, pour tenter de comprendre.
	Il s'agit donc d'une question de R&D concernant le brunissement du fromage et, comme son nom l'indique, elle est liée au brunissement du fromage.
	Dans un four, la chaleur est faible, comme sur les pizzas. Il ne faut donc pas que le fromage brûle trop vite. Si c'est du cheddar sur une pizza, il ne faut pas qu'il brûle trop vite.
	On veut qu'il y ait un peu de vie et que la recette soit prête. Voici donc un exemple de classification, ou plutôt d'arbre de décision, où nous examinons
	trois niveaux différents, si vous voulez, brun clair, moyen et foncé représenté par l'arbre, la couleur est verte,
	orange et rouge, respectivement. On constate que le pH en fonctionnement est le facteur le plus important, en particulier si le pH en fonctionnement est supérieur à 6,48.
	On voit alors que 99,3 % de notre processus présentera un brunissement clair, ce qui est recherché. Le vert est bon, le rouge est mauvais. De même, nous savons que nous sommes en danger si notre pH est inférieur à 6,48 et que…
	et nous prenons nos échantillons, donc le fromage dans notre bloc, dans notre bloc de 20 kg, est pris dans un coin, alors nous savons que nous avons 31% de chances d'obtenir
	brunissement foncé, donc ce ne sera pas bon. Donc, de ce point de vue, et nous pouvons voir que la taille
	Le nombre d'objets est également à l'origine de ce problème, ainsi que la terminaison des nœuds feuilles de l'arbre. Vous pouvez donc obtenir
	une bonne idée de ce qui se passe dans votre processus, en termes de facteurs importants qui permettent de mieux séparer, dans ce cas, la classification du brunissement.
	Et je parle ici de forêt bootstrap secrète, car vous savez que je pense que c'est un outil sous-utilisé dans JMP et... si vous comprenez ce que fait un arbre de décision et comment il fonctionne, vous comprendrez que c'est un outil assez puissant.
	Et je ne suis pas sûr, pour être honnête, je ne suis pas sûr que l'algorithme utilisé pour les arbres de décision, qu'il s'agisse d'un dichotomiseur itératif ou
	C 4.5 ou 5.0 ou quoi que ce soit, mais ce que je sais, c'est que le filtrage des prédicteurs utilise l'algorithme de l'arbre de décision en arrière-plan et utilise la forêt bootstrap, qui est
	Échantillonnage avec remplacement également, pour créer un groupe d'arbres, les assembler et obtenir les résultats moyens, si vous voulez, des arbres. Dans ce cas, il faut souligner que…
	exemple de tracé parallèle plus tôt pour les 30 paramètres de machine différents, dans ce cas, vous remarquez qu'il y en a en fait 31,
	parce que lorsque je suis retourné dans l'équipe, j'ai dit qu'il y avait quelque chose de différent dans cette pression d'air de la buse et que cela semblait être un facteur important et le dépistage des prédicteurs me le dit.
	Une main s'est levée au fond de la salle et ils ont dit en fait,
	de tous les paramètres, ce n'est probablement pas celui qui aurait dû être là car ce n'est pas vraiment un paramètre de machine, nous l'avons juste inséré nous-mêmes pour voir si quelque chose ressortirait.
	Et bien sûr, c’est celui-là qui a sauté aux yeux, il a donc fallu le retirer et l’évaluer séparément.
	En termes de, et j'y suis presque aussi, en termes de présentation, donc en termes d'eux
	En utilisant des modèles pour prédire les performances futures, nous passons de la simple analyse à la prospective.
	Et c'est ici que nous avons créé un modèle assez solide avec une efficacité de 76 %, basé sur 1 438 observations.
	La question était de savoir si nous pouvions créer un outil pour nous aider à prédire à la fois le nombre de commandes qui arrivent dans l'entreprise n'importe quel jour de la semaine, n'importe quelle semaine de l'année et
	prédire également le nombre de commandes que nous recevrions... pardon, prédire également les quantités de commandes que nous recevrons le même jour ?
	Nous avons donc pu prendre toutes les données historiques et utiliser le profileur de prédiction pour sélectionner quelle année, du point de vue de la saisonnalité, est la plus commune à ce que vous essayez de prédire.
	Ensuite, allez au mois applicable, à la date souhaitée et au jour de la semaine, puis déterminez s'il s'agit d'un jour férié ou non.
	Et vous pouvez voir ici que j'ai deux paramètres différents. L'un pour les jours fériés, l'autre pour les jours non fériés. Vous pouvez voir qu'il y a un changement significatif.
	Il existe également un effet d'interaction entre les jours fériés et les jours de la semaine. On peut donc revenir à l'argument commercial
	Quel que soit le jour de la semaine, le 26 octobre 2019, qui est un jeudi et non un week-end férié, vous vous attendez à recevoir 120 commandes et cela équivaudra également à un peu moins de 1 100 tonnes métriques de produits.
	Nous avons donc réalisé ce test sur deux week-ends, dont un week-end férié et un week-end sans jour férié, et le résultat était de 85 %, ce qui est vraiment bien. Même si le modèle était à 76 %, le résultat était plutôt bon en réalité.
	Ensuite, de la perspicacité à la prévoyance, où nous cherchons à nouveau à tenir compte de la véracité des saisons,
	Nous avons ici différentes années, représentées par des couleurs différentes : 2015, 2016, 2017, 2018, etc. Et nous observons un certain nombre de commandes de quantités d'aliments entrantes.
	l'entreprise. Chaque point représente une quantité de commande hebdomadaire, et j'ai exagéré ici : j'ai superposé le modèle prédit, de sorte que la valeur prédite
	chacune de ces semaines. Vous pouvez ainsi observer la précision du modèle par rapport aux données réelles, c'est-à-dire entre les données réelles et les données prévues.
	Et puis pouvoir utiliser, et si je suis honnête, je ne m'en souviens pas... c'était soit des prévisions exponentielles saisonnières, soit notre ARIMA saisonnier,
	moyenne mobile métrique saisonnière pour déterminer les six prochains mois, à quoi cela va ressembler.
	Et encore une fois, ces outils sont extrêmement précieux pour notre entreprise, où la saisonnalité représente un défi, et nous pouvons les utiliser avec un degré élevé de confiance pour comprendre à quel niveau de commandes nous pouvons nous attendre dans l'entreprise à l'avenir.
	Enfin, et je suppose que c'est un peu exagéré pour nous, car nous n'avons jamais abordé ce sujet auparavant, mais les réseaux neuronaux. Dans ce cas, nous utilisons les réseaux neuronaux comme un essai pour déterminer si nous pouvons éliminer les sédiments dans notre procédé. Donc, si nous avons des résultats ADPI, c'est…
	Une zone de sédimentation et nous observons une quantité de particules potentiellement brûlées, peut-être dues à un processus de séchage, etc. Où en sommes-nous ? S'agit-il d'un niveau A, B, C ou D ?
	Ici, le résultat du tamis représente le nombre de particules laissées dans un tamis et les résultats du gobelet T1B1 représentent le haut et le bas.
	T1 représente le nombre de particules qui pourraient flotter à la surface de l'eau et B pourrait représenter le nombre de particules au fond, donc les sédiments qui ont coulé au fond.
	Et encore une fois, en l'utilisant dans un réseau neuronal ici et avec une validation croisée K fois, donc je pense que K a été fixé à 10. Nous en avons neuf
	Il y a aussi des fonctions d'activation ici, je crois. Oui, hyperbolique… linéaire, gaussienne, et je crois aussi tangente hyperbolique.
	Et nous pouvons utiliser chacun d’entre eux
	Nous avons également des nœuds d'entrée pour alimenter notre fonction d'activation, puis notre couche de sortie, qui nous a fourni le résultat final. Nous pouvons donc utiliser…
	dans ce cas, 6 245 résultats à
	Entraînons notre modèle, puis, après validation croisée, créons notre matrice de confusion, qui est également très performante. Nous n'avons pas autant de valeurs dans les colonnes A1/A2.
	jusqu'aux notes B, comme nous le faisons pour A1, mais cela nous montre en quelque sorte que, vous savez, si nous avons une note A2
	que nous avons prédit que 35 d'entre eux seraient de vrais deux et que seulement deux seraient A1. donc il peut y avoir une erreur et l'erreur peut provenir de la façon dont le modèle a été conçu,
	vous savez, initialement créé par des évaluateurs qui essayaient manuellement d'évaluer la différence qui existe dans chacun de ces si et quand
	Une certaine ambiguïté apparaît dans les résultats, et il faut ensuite prendre une décision finale. La question est donc : pouvons-nous faire en sorte qu'une machine puisse prédire avec une bonne précision ce que sera cette décision finale ?
	Et encore une fois, nous nous attendrions à ce que la probabilité d'obtenir une note attribuée comme A1 ici, soit assez élevée si le résultat du tumbler était T1B1, avec pratiquement aucun flotteur ou plomb.
	et si les résultats du tamisage étaient également assez faibles, en termes de quantité de particules, nous nous attendrions donc à avoir nos résultats ici pour A1.
	Le fait que nous voyions A1 ici pourrait indiquer que la formation du modèle n'a pas été aussi efficace qu'elle aurait pu l'être et qu'il pourrait y avoir eu des erreurs dans le modèle.
	Et encore une fois, vous pouvez voir qu'un modèle très... assez complexe a été créé ici
	Pour cela, mais vous savez que c'est un peu une boîte noire, comme nous le savons tous, je pense, du point de vue des réseaux neuronaux. Mais encore une fois, cela représente une énorme quantité de connaissances sur les processus et de preuves de concept pour nous, je suppose, à mesure que nous évoluons vers l'apprentissage automatique et l'IA.
	Donc je sais que j'ai beaucoup tiré sur les gens, et c'était assez précipité, et je pourrais probablement parler pendant des heures de tout ça et m'excuser... je m'excuse si cela m'a semblé précipité, mais ce que je dirais, c'est juste du point de vue des réflexions finales,
	Je pense qu'il a été démontré que, quel que soit le secteur dans lequel vous évoluez, même s'il s'agit du secteur agricole, qui est très éloigné de l'environnement typique d'analyse de données, dans n'importe quel secteur, vous pouvez utiliser
	L'analyse des données permet d'ajouter une valeur significative à l'entreprise et vous permet d'atteindre et d'aider presque toutes les parties de l'entreprise.
	Je dirais également qu'il ne faut pas sous-estimer la valeur d'une analyse graphique simple. Ce n'est qu'à mi-parcours de cette présentation que nous avons commencé à présenter certaines des analyses les plus puissantes intégrées à JMP.
	Je pense que c'est formidable de savoir comment utiliser tous les outils sophistiqués et qu'il y a un moment et un lieu pour cela, mais, vous savez, la simplicité peut aussi être très puissante, et ne sous-estimez pas sa valeur.
	À part ça, je tiens à vous remercier tous de votre écoute. J'apprécie vraiment votre écoute et si vous avez des questions ou des commentaires, n'hésitez pas à les poser. Merci.

Modélisation statistique avancéeAnalyse et modélisation des données de baseExploration et visualisation des donnéesModélisation prédictive et apprentissage automatiqueIngénierie de la qualité et des procédés