756671_de-DE

liliconcom

Datenmelken bei Dairygold: Von Balkendiagrammen zu neuronalen Netzwerken (2021-EU-30MP-735)

Kieran O'Mahony, Data Science & Analytics Manager, Dairygold

In der modernen Welt wird der Einsatz von Datenanalysen typischerweise eher mit Branchen wie Finanzen, Gesundheitswesen, Pharma, Medizintechnik, Halbleitern, E-Commerce und dergleichen in Verbindung gebracht. Die Wörter „Landwirtschaft“ und „Analyse“ kommen selten im selben Satz vor. Diese Sitzung gibt einen Einblick, wie ein solches traditionsreiches und geschichtsträchtiges Unternehmen den Einsatz von Datenanalysen angenommen und gefördert hat, um sicherzustellen, dass es nicht länger als „datenreich, aber informationsarm“ gilt. In dieser Sitzung werden mehrere Beispiele gezeigt, wie der Einsatz von JMP bei Dairygold eine stärker datengesteuerte Entscheidungsfindung ermöglicht hat.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
Kieran O'Mahony	Okay, vielen Dank, mein Name ist Kieran O'Mahony und ich bin der Data Science- und Analytics-Manager für Dairygold in Irland.
	Und der Titel meiner Präsentation lautet „Datenmelken bei Dairygold von Balkendiagrammen bis zu neuronalen Netzwerken“.
	Daher kann man wohl mit Fug und Recht behaupten, dass die Verwendung von Datenanalysen typischerweise eher mit Branchen wie dem Finanz- und Gesundheitswesen, der Pharmaindustrie, der Halbleiterindustrie usw. in Verbindung gebracht wird und dass die Wörter „Landwirtschaft“ und „Analyse“ wahrscheinlich nur selten im selben Satz vorkommen.
	Diese Sitzung soll einen Einblick geben, wie ein sehr traditionelles Unternehmen die Nutzung von Analysen im gesamten Unternehmen angenommen und gefördert hat.
	Diese Sitzung wird sich wahrscheinlich von den anderen Sitzungen bei Discovery unterscheiden, da ich mich hier weniger auf ein Projekt konzentriere, sondern vielmehr mehrere Beispiele dafür zeige, wie
	Dairygold hat JMP verwendet, um im gesamten Unternehmen und nicht nur in der Fertigung mehr datengesteuerte Entscheidungen zu ermöglichen, was ich für wichtig halte.
	Bevor ich anfange, ist es meiner Meinung nach wichtig, ein wenig Hintergrundwissen zum Unternehmen zu vermitteln, einen Überblick zu geben und zu erklären, was wir tun.
	Dairygold ist Irlands führende Genossenschaft im Besitz von Landwirten mit hochmodernen Produktionsanlagen für Käse und Nährpulver im Herzen der Golden Valleys.
	Okay, nur um das zu erklären: Als Genossenschaft gehören wir im Grunde... im Grunde bedeutet das, dass wir den Milchlieferanten gehören, also den Landwirten.
	Wir haben also 2.800 Milchlieferanten, die uns täglich mit Milch beliefern und jeder einzelne von ihnen ist Anteilseigner. Das Geschäftsmodell ist also insofern etwas ungewöhnlich, als dass die Rohstofflieferanten auch Eigentümer des Unternehmens sind.
	Der Umsatz im letzten Jahr betrug 1,2 Milliarden Euro. Wir beschäftigen rund 1.200 Mitarbeiter und verarbeiten jährlich rund 1,4 Milliarden Liter Milch. Das ist also eine ganze Menge Milch, die täglich bei uns ankommt. Tatsächlich
	Da wir ein Saisongeschäft betreiben, sprechen wir in Spitzenzeiten von über 6 Millionen Litern Milch, die täglich an den Standorten ankommen.
	Wir haben auch Einzelhandelsgeschäfte, in denen Sie alles vom Hammer bis hin zu Haushaltsgeräten und landwirtschaftlichen Geräten und allem dazwischen kaufen können. Und wir haben auch einen landwirtschaftlichen Geschäftsbereich, in dem wir in unseren Mühlen Tierfutter produzieren.
	Dairygold gibt es also schon seit langer Zeit. Es begann 1908 als Ballyclough, wurde dann 1919 zu Mitchelstown und 1990 zu Dairygold.
	Und wir haben wahrscheinlich … nun, nicht wahrscheinlich … man kann mit Fug und Recht behaupten, dass wir seit der Zeit, als die Milch vor all den Jahren noch mit Pferden und Kutschen ausgeliefert wurde, einen sehr langen Weg zurückgelegt haben.
	Es ist eine sehr traditionelle Organisation mit langer Geschichte, aber auch eine sehr fortschrittliche Organisation.
	Und wenn ich sage, wir haben einen langen Weg zurückgelegt, dann wissen Sie, dass wir jetzt eine sehr große Lieferkette mit einer Tankerflotte haben, und jeder Tanker,
	Hier sehen Sie ein Beispiel: Jeder Tankwagen transportiert etwa 26.000 Liter Milch, und wir holen täglich Milch von unseren 2.800 Lieferanten ab. Und es ist eine sehr komplexe Lieferkette in dem Sinne, dass
	Wir sammeln nicht nur Milch von unseren Lieferanten, sondern auch Molke von unseren Käsereien, wenn wir sie nicht automatisch weiterleiten
	durch ein Rohr zu einem anderen Standort. Wir haben es also auch in Tankwagen gesammelt und zu anderen Standorten transportiert.
	Und das Gleiche machen wir mit Magermilchkonzentrat und demineralisiertem Molkenkonzentrat, das wir an andere Kunden verkaufen. Und dann haben wir auch noch den Pulver- und Käsebereich des Geschäfts, den wir ebenfalls vertreiben.
	Wir haben auch einige der größten Trockner(?) in Europa, hier sehen Sie insbesondere einen, der sich über fünf oder sechs Stockwerke erstreckt.
	In den letzten fünf oder sechs Jahren hat Dairygold über 400 Millionen in die Werke investiert, um sicherzustellen, dass wir …
	Wir können den Bedarf der zukünftigen Volumenerweiterung im Milchpool decken. Was die Produkte betrifft, die wir herstellen, stellen wir
	Pulver und Käse, größtenteils von Vollmilchpulver bis Magermilchpulver und Proteinpulver und viele verschiedene Käsesorten, insbesondere Käse und Cheddar.
	Und wir beliefern zahlreiche Branchen, von Süßwaren und Pizza über herzhafte Speisen bis hin zu Joghurt und verarbeiteten Lebensmitteln und sogar Säuglingsmilchnahrung, also Babynahrung.
	Und wenn Sie heute überhaupt etwas gegessen haben, ist die Wahrscheinlichkeit sehr hoch, dass Sie auch Magermilchpulver oder Vollmilchpulver zu sich genommen haben, weil es heutzutage in so vielen Lebensmittelzutaten weit verbreitet ist.
	Soweit der Hintergrund des Unternehmens. Was die Daten angeht, kann man wohl sagen, dass es viele Unternehmen gibt, die zwar über sehr viele Daten, aber über sehr wenige Informationen verfügen.
	Und man kann auch sagen, dass die damit einhergehende Datenmenge manchmal zu mehr Verwirrung führt.
	Und manchmal denke ich, dass man sagen kann, dass selbst wenn man alle Informationen hat und man diese Bevölkerung hat und man eine Vorstellung davon hat, was genau
	Sie müssen extrahieren, um nützliche Informationen vom Unternehmen zu erhalten. Manchmal wissen Unternehmen nicht genau, was sie mit diesen Daten anfangen sollen.
	Und aus der Perspektive von Dairygold wollen wir versuchen, uns mehr von der rechten Gehirnhälfte zu entfernen, wo man sich, wie ich annehme, auf Annahmen, Bauchgefühl, Vermutungen und Intuition konzentriert.
	und wir bewegen uns mehr in Richtung der linken Gehirnhälfte, wo der Schwerpunkt eher auf der Anwendung von Logik, Mathematik, Vernunft und Wissenschaft liegt. Aber genau das wollen wir im Unternehmen stärker nutzen und unternehmensweit mehr datengesteuerte Entscheidungen treffen.
	Ich wurde einmal im Vorfeld einer Präsentation gebeten, eine Zusammenfassung der Datenstrategie von Dairygold zu geben und dies auf einer einzigen Seite zu tun, und ich schätze, ich habe damals …
	Da wurde mir klar, dass wir damals wahrscheinlich keine solide Datenstrategie hatten.
	Aber was ich hier jetzt versuche, ist, in einem einzigen Bild unsere tatsächliche Datenstrategie zu zeigen, und es ist wirklich einfach.
	Wir möchten also die im Unternehmen vorhandenen Daten nutzen und sie mithilfe von Analysen in nützliche Informationen umwandeln.
	Und aus diesen Informationen erhalten wir Antworten auf die wichtigsten Fragen, die wir hatten, und manchmal erhalten wir nicht nur Antworten auf die Fragen, die wir hatten, sondern manchmal
	Tatsächlich haben wir am Ende noch mehr Fragen. Aber diese sind wirklich wichtig und wirkungsvoll, weil wir von Anfang an nicht wussten, dass wir diese Fragen stellen sollten.
	Daher müssen wir manchmal zurückgehen und unsere Daten noch einmal betrachten, um Antworten auf diese Fragen zu erhalten.
	Aber wenn wir letztendlich an den Punkt kommen, an dem wir Antworten auf alle unsere Fragen haben, sind wir in einer viel besseren Position und haben viel mehr Einblick in unsere Prozesse.
	Und mit diesen Erkenntnissen sind wir dann in der Lage, zeitnahe, datengestützte Entscheidungen zu treffen und uns in die richtige Richtung zu lenken.
	Und wenn wir unseren Prozess gut genug verstehen, wir genügend Einblick haben, dann sollten wir in der Lage sein, diese Daten zu nutzen, um
	Wir verstehen mit hoher Genauigkeit, was in Zukunft möglicherweise passieren könnte. Gute Einblicke ermöglichen uns also auch eine gute Voraussicht, sodass wir vorhersagen können, was passieren wird.
	Wie ich eingangs sagte, besteht der Zweck dieser Präsentation darin, eine Reihe von Beispielen für die unterschiedlichen Arten der Datennutzung bei Dairygold zu geben.
	Ich würde sagen, wir sind aus interner Sicht schon weit fortgeschritten, was das Treffen von Entscheidungen auf Grundlage unserer Daten angeht, und wir beginnen gerade mit dem Einstieg in den gesamten Bereich des maschinellen Lernens und der KI.
	Ich bin fest davon überzeugt, dass Einfachheit auch sehr wirkungsvoll sein kann.
	Und deshalb heißt diese Präsentation „Von Balkendiagrammen zu neuronalen Netzwerken“.
	Und ich denke, es ist wirklich wichtig hervorzuheben, dass man aus sehr einfachen Analysen einen großen Nutzen ziehen kann. Das allererste Beispiel, das ich hier teilen möchte, sind einfache Balkendiagramme.
	Aber manchmal denke ich, dass Leute in Präsentationen Balkendiagramme haben, die sich über mehrere Seiten erstrecken, und mit JMP ist es so einfach, alle Informationen auf einer einzigen Seite zusammenzufassen.
	Ansicht. In diesem Fall betrachten wir Salpetersäure in einem Reinigungsprozess und hier oben können wir jeden einzelnen Datenpunkt und alle Phasen eines Salpetersäure-Reinigungsprozesses sehen.
	Und Sie können den Salpetersäuregehalt sehen, der in jedem Schritt verwendet wurde. Im nächsten Schritt betrachten wir die Anzahl der Verwendungen, also die Anzahl der Zyklen, die dieser Schritt durchlaufen hat.
	Und hier betrachten wir den durchschnittlichen Verbrauch an Salpetersäure für jeden Schritt. So können wir beispielsweise Folgendes sehen:
	wissen Sie, wir haben hier einen höheren Durchschnittsverbrauch von 24 Litern pro Woche, aber die Häufigkeit dieses Schrittes war nur viermal so hoch,
	und es war eindeutig durch diesen Ausreißer hier verzerrt, also ist es offensichtlich verzerrt, und was wahrscheinlich noch wichtiger für uns ist, denn was wir hier versuchen zu verstehen
	und die Menge an Salpetersäure zu reduzieren, die täglich, wöchentlich und monatlich verwendet wird. Dies ist die Summe der Salpetersäure, die im gesamten Prozess für jeden der Prozessschritte verwendet wird.
	Und was wichtig war... was für uns wichtig war, hier hervorzuheben, denke ich, und auch hier sind es nur einfache Balkendiagramme, aber es gab uns eine große Richtung
	im Geschäft und schickte uns weg... entschuldigen Sie, ich habe es vermieden, uns auf eine Tangente zu schicken, denn als wir uns all diese Daten ansahen, konnten wir sehen, dass
	Drei verschiedene Bereiche fielen auf. Wir hatten eine Schlussspülung, eine Vorspülung und einen weiteren Schlussspülschritt. Und die Daten zeigten
	dass bei diesen Spülschritten Säure verwendet wurde, was nicht möglich ist, da bei den Spülschritten nur Wasser zum Einsatz kommt.
	Ein wenig Nachforschung ergab, dass ein Anbieter zunächst falsche Daten-Tags auf unserem Scanner(?)-System eingerichtet hatte.
	für unsere überwachten Durchflussraten. Wir dachten also, wir würden den Salpetersäureverbrauch tatsächlich überwachen, aber das war nicht der Fall. Wir wurden falsch informiert. Also
	wir hätten wirklich in die Tiefe gehen und unseren Prozess und seine treibenden Kräfte verstehen können, aber sehr einfache Balkendiagramme weisen oft die richtige Richtung, und wir konnten genau verstehen, was in unserem Unternehmen wirklich vor sich ging.
	Und unsere Verwendung von Balkendiagrammen im Geschäftsleben. Und wenn ich ehrlich bin, ist dies wahrscheinlich eine meiner liebsten Verwendungen von Balkendiagrammen im Geschäftsleben, weil es so einfach ist.
	Aber es zeigt … es zeigt vier verschiedene Dimensionen von Ausfallzeiten auf einer Seite, wirklich einfach und sehr benutzerfreundlich und intuitiv zu verwenden und zu lesen, denke ich auch.
	Hier sehen wir die monatliche Ausfallzeit einer Käserei. Auf der Y-Achse sehen Sie die Ausfallzeit in Minuten.
	für jeden der sechs verschiedenen Bereiche innerhalb der Käserei, für jeden der sechs Monate April, Mai, Juni, Juli und so weiter bis September in absteigender Reihenfolge, in zeitlicher Reihenfolge, denke ich, wirklich
	für jede der Schichten A, B, C und D. Man könnte meinen, die Daten seien erfunden, weil die Minutenzahlen so niedrig sind, aber es ist wirklich wichtig aus einer
	Aus Sicht der Käseherstellung wird die Anlage nicht stillstehen. Das sind also reale Zahlen. Wir überwachen die Ausfallzeit in Minuten pro Monat.
	Wenn der Prozess stoppt, ändert sich der pH-Wert des Produkts und das kann sich negativ auswirken
	auch der endgültige Verkaufspreis und die Qualität des Produkts, daher ist es wichtig, dass wir nicht aufhören.
	Dies ist also der Stand, auf dem wir uns aus Wartungssicht befinden. Wir sind auf Minuten heruntergekommen und was wir hier deutlich sehen können, ist, dass es bei BetaVac nicht allzu viele Probleme gibt, aber bei den Blockbildnern sehen wir Probleme mit den Schichten C und D.
	mit weiteren Problemen hier für C auf Blockmaster. In diesem Bereich der Förderbänder springen C erneut heraus, und erneut für die Zwickel C und D.
	Und vielleicht gibt es hier noch mehr Probleme mit C und D. Aus dieser Analyse konnten wir also ableiten, dass die Schichten C und D aus Wartungssicht ein wenig zu kämpfen haben und etwas mehr Unterstützung benötigen.
	Besonders gut gefällt uns die dynamische Verlinkung
	Element von JMP auch für die Datenexploration. Und in diesem Fall sollte ich darauf hinweisen, dass wir viele Labore im Unternehmen haben, also mikrobiologische, chemische usw. Labore,
	und wir testen Milch, Käse und Wasser, im Prozess befindliche und fertige Produkte und wir testen eine große Anzahl von Elementen des Geschäfts.
	Und diese interaktive Verknüpfungsfunktion, die, wie Sie hier sehen können, in ein interaktives HTML umgewandelt wurde,
	wurde verwendet, damit verschiedene Personen im gesamten Unternehmen an der Erstellung eines Repository arbeiten und es dann anzeigen und damit interagieren konnten.
	Wir versuchen hier also, ein Repository zu erstellen, in dem wir die Probleme auflisten, die im Unternehmen bestehen. In diesem Fall hebe ich also Blockaden hervor ... Entschuldigung, ich zeige blockierte Rohre und Verdampfer-CIP und Stromausfall.
	Wenn Sie auf „Stromausfall“ klicken, werden die schattierten Bereiche der grünen Balken hervorgehoben. In diesem Fall sehen Sie einen oder mehrere Stromausfälle im August.
	Es betraf diese Verarbeitungsstufen hier und der Mikroorganismus, der bei diesen Prozessen am häufigsten beobachtet wurde, war Streptokokken.
	Der Wert liegt darin, dass wir, wenn wir diesem Repository weiterhin Probleme hinzufügen, aus der Faktorperspektive in der Lage sein werden,
	Wir blicken in die Zukunft, um die Risiken für das Unternehmen zu erkennen, wenn etwas passiert. So wissen wir, dass wir beim nächsten Stromausfall möglicherweise die Anzahl der Tests in dieser Phase oder diesem Prozess erhöhen müssen, da ein höheres Risiko für das Auftreten von Streptokokken besteht.
	Manchmal kommt man an den Punkt, an dem man so viele Riegel hat, dass man Saisonalität und einen sanfteren Geschmack hinzufügen muss.
	Linien, um mehr Transparenz zu schaffen. Eine Herausforderung für unser Geschäft, auf die ich später noch eingehen werde, ist die Saisonabhängigkeit des Geschäfts.
	Und das tun wir sehr, weil die Kühe das Gras fressen und das Gras letztendlich natürlich zur Milchproduktion verwendet wird und weil das Wetter in Irland so unzuverlässig ist.
	An einem Tag kann es regnen, am nächsten schneien und am Tag darauf die Sonne scheinen. Aus saisonaler Sicht wird hier jede Balkenfarbe verwendet, um ein anderes Jahr darzustellen, also 2015, 16, 17, 18.
	Und ich sollte hinzufügen, dass es sich nur um die Wochenenden handelt und dass die Gesamtaufträge am Wochenende im Mittelfeld liegen, um ein grünes Ergebnis zu erzielen.
	Sie können sehen, dass die Jahre 2016 und 17 insofern ähnlich sind, als sie diese M-Form haben, während 2018 hier sehr, sehr unterschiedlich ist.
	Als Beispiel: Wir bewerfen uns gegenseitig mit Schneebällen, und sechs Wochen später gab es eine Hitzewelle mit einem Wasserschlauchverbot.
	Es ist sehr, sehr schwierig, Saisondaten zu verwenden, die im Unternehmen tatsächlich vom Wetter abhängen, aber das ist eine der Herausforderungen, die wir zu bewältigen versuchen.
	Aus der Trendperspektive betrachtet, verwenden wir JMP auch für nicht projektorientierte Explorationen. Hier ist ein Beispiel für den durchschnittlichen monatlichen Umsatz von 2.800 Milchlieferanten.
	sowohl Protein- als auch Fettergebnisse, die das Unternehmen über einen Zeitraum von zwei Jahren erhält. Jedes Häkchen hier steht in diesem Fall für September 2018, Oktober 2018 usw.
	Es zeigt also die Bandbreite der Variationen, die sowohl innerhalb als auch zwischen unseren Lieferanten bestehen. Und was nützlich ist, ist, dass wir uns darauf konzentrieren und insbesondere für diesen Typen beispielsweise sagen können: Warum ist dieser Typ so hoch?
	Und sein Fett- und Proteingehalt ist konstant hoch. Können wir von diesem Lieferanten etwas lernen, das wir vielleicht auch anderen Lieferanten vermitteln können?
	Oder gibt es umgekehrt noch andere Anbieter am unteren Ende
	die etwas Unterstützung und Hilfe von unseren Milchberatern gebrauchen könnten, weil sie ständig nicht in der Lage sind, ihren Protein- und Fettgehalt in ihrer Milch zu erreichen
	hoch. Diese sind wichtig, denn das sind die Parameter, auf deren Grundlage die Landwirte bezahlt werden: der Protein- und Fettgehalt.
	In diesem Fall stellte sich heraus, dass dieser Mann einer der wenigen Milchlieferanten war, der sich dafür entschied, nur einmal am Tag zu melken.
	Das bedeutet, dass sein Fett- und Proteingehalt tatsächlich höher ist als bei allen anderen, er aber weniger Volumen an Dairygold zurückgeben kann, und das ist seine Entscheidung.
	parallele Plots.
	Und das sind meine aktuellen Favoriten, weil sie meiner Meinung nach einfach so viele Informationen auf einer Seite gleichzeitig für so viele verschiedene Parameter anzeigen.
	Dies ist ein Problem, das tatsächlich gerade jetzt auftritt. Es handelt sich also um ein druckfrisches Dokument, und das Problem wurde noch nicht einmal gelöst.
	Was wir hier sehen, ist ... es betrifft zeitweise auftretende Pulververstopfungen in Wirbelschichttrocknern und Zyklonen.
	Das bedeutet im Wesentlichen, dass das Pulver die Trockner und Zyklone verstopft. Wir nennen das Verstopfungen. Die Anlage ist also verstopft und wir müssen sie anhalten und reinigen.
	Was wir hier eigentlich sehen, ist
	30 verschiedene Parameter, alle gemessen auf ... alle hier auf der X-Achse angezeigt.
	Und jede der Linien von links nach rechts repräsentiert eine Minute für die Einstellungen jedes dieser 30 Parameter. Die rote Linie zeigt die
	Minuten, die in der Stunde vor dem Auftreten von Choke sind, also das sind, das sind die Pegeleinstellungen, wenn Sie so wollen, für 60
	Vorkommnisse ... 60 Minuten bevor ein Engpass auftritt, und diese rote Gruppe hier stellt neun verschiedene Engpassvorkommnisse dar.
	Okay, hier oben sind also mehr als 540 Stränge vorhanden. Dies ist also praktisch der Fingerabdruck dessen, was passiert, kurz bevor es zu einem Würgegriff kommt.
	Und wenn … wir versuchen, dies aus der Perspektive der Maschinenparameter mit typischen normalen Produktionsszenarien zu vergleichen.
	Und es ist wirklich gut, denn man kann sie im Vergleich sehen, und noch besser, wenn man sie auch übereinander legen kann. Und ich habe... der No Choke ist im Hintergrund geisterhaft dargestellt. Interessant ist nun, dass wir tatsächlich sehen können
	wie sich das Choke-Szenario vom No-Choke-Szenario unterscheidet und was passiert. Eine Frage, die derzeit untersucht wird, ist beispielsweise:
	wissen Sie, wir scheinen niedrigere Werte von was auch immer das ist ... Differenzdruck zu haben.
	Und wenn wir einen Engpass haben, ist das meist ein potenzieller Faktor, auf den wir achten sollten? Ist das die Ursache? Denn typische Auftragsoperationen
	Auch hier sind die Parameter für einen guten Differenzdruck hoch. Also nochmal nur ein Beispiel.
	Wir nutzen GPS-Daten, um Muster und Trends bei Lieferantenstandorten zu visualisieren. Hier sehen wir uns die Proteinwerte im Dezember in der gesamten Region Münster an, wo alle unsere Lieferanten ansässig sind. Jeder Punkt hier steht für einen Lieferantenstandort innerhalb des Unternehmens.
	Und die Größe des Punkts stellt die Milchmenge dar, die der Lieferant an Dairygold liefert. Je größer der Punkt, desto größer ist also tatsächlich der Bauernhof.
	Und hier gibt es eine abweichende Skala, bei der wir erwarten, dass das Volumen ... Entschuldigung, der Proteingehalt sollte bei 3,5 liegen, also interessiert uns das weniger und das ist grau schattiert.
	Aber alles über 3,5 ist grün, das sind also die Leute, denen es wirklich gut geht, und rot sind die Lieferanten, die vielleicht,
	Entschuldigen Sie, die vielleicht ein wenig Mühe haben, ihren Proteingehalt zu erhöhen. Hier können wir unsere eigenen Daten nutzen, um herauszufinden, ob es Lieferanten gibt, die möglicherweise Unterstützung von unseren Milchberatern benötigen, und denen wir ebenfalls helfen können. Das ist sehr nützlich.
	Bleiben wir beim geografischen Element: Wir konnten auch einige uralte Mythen aus der Welt schaffen. Das sind also die
	Diskussionen, die am Wasserspender stattfinden könnten, wobei jemand sagen würde, dass diese Sache, NPN, definitiv geografisch betroffen ist.
	NPN ist schwer zu erklären, deshalb verwende ich hier die Analogie eines Pints, eines Pints Bier, wenn Sie so wollen. Es ist eher ein Glas, denke ich.
	Und wie jeder weiß, enthält Milch Eiweiß, Fett, Laktose, Mineralien und Vitamine. Das sind gute Dinge.
	Und es sind noch viele andere Dinge darin enthalten. Wenn wir nur das Protein als Ganzes betrachten, können Sie davon ausgehen, dass der ganze Pint Protein das ist, was wir in der Milch von den Bauern bekommen.
	Aber dieses Protein kann in das eigentliche Protein zerlegt werden, das im Grunde den flüssigen Teil des Getränks ausmacht.
	Und genau diesen Teil können wir in unserem Herstellungsprozess verwenden. Der Schaum des Pints, also der schaumige Teil hier, ist das andere Zeug, also der Harnstoff und die Harnsäure und so weiter.
	Obwohl wir unsere Lieferanten für das gesamte Protein bezahlen, können wir leider nicht das gesamte Protein in unserem Prozess verwenden. Daher können wir nur dieses Stück hier verwenden, das echte Stück oder sozusagen das wahre Protein.
	Je nach Verfahren kann es sein, dass wir zu einer bestimmten Jahreszeit höhere oder niedrigere NPN-Werte (Nicht-Protein-Stickstoff) haben,
	dann ist es vielleicht am besten, dieses Produkt auf eine bestimmte Site zu leiten
	jetzt über einen anderen Standort, damit wir vielleicht strategisch vorgehen können. Und die Frage war immer, wissen Sie, ich wette, dass zu einer bestimmten Jahreszeit die geografische Lage den Nicht-Protein-Stickstoffgehalt in
	die geografischen Standorte. Und was Sie hier sehen, sind Daten, die aus 284.000 Datenpunkten stammen, also 284.000 Messungen von NPN,
	Nicht-Protein-Stickstoff, über ein ganzes Jahr hinweg, in sechs verschiedenen Regionen in Munster im Süden Irlands.
	Und die Linien hier stellen die Mittelwerte und die Unterschiede zwischen den Mittelwerten dar, die von Monat zu Monat bestehen, aber auch die Mittelwerte, die sich aus farblicher Sicht von Region zu Region unterscheiden.
	Die Boxplots stellen hier die Variationen dar, die innerhalb und zwischen den einzelnen Regionen bestehen. Man sieht also deutlich, dass die Durchschnittswerte
	gut miteinander für jede Region und auch jedes Mal, wenn die Menge der Variation reduziert,
	Nehmen wir an, hier im Juli scheint es in allen Regionen einen Rückgang zu geben, mit Ausnahme einer kleinen Anomalie hier in Tipperary, in diesem Fall vielleicht.
	Wenn die Variation jedoch auch in einer Region zunimmt, nimmt sie in den meisten Fällen in allen Regionen zu.
	Wir müssen also nicht mehr über das Potenzial von diesem und jenem reden. Wir sind mit unseren Daten auch in der Lage, Theorien sehr schnell zu beweisen und zu widerlegen.
	Alle fünf Jahre senden wir die Midline(?)-Volkszählung an unsere Mischungslieferanten und sie hilft uns, zukünftige Mengenabsichten und Herausforderungen zu verstehen, die die Lieferanten auf ihren Farmen haben könnten.
	Und es gibt einen Hinweis auf die Stimmung aus der Geschäfts- und Investitionsperspektive unserer Mitglieder.
	Deshalb haben wir vor Kurzem jedem unserer 2.800 Lieferanten über 100 Fragen geschickt. In diesem Fall lautete unsere Frage: Welche Faktoren begrenzen das Wachstum auf Ihrem Hof?
	Den Teilnehmern standen neun Optionen zur Verfügung, in diesem Fall die Faktoren eins bis neun. Sie wurden gebeten, die ihnen präsentierten Faktoren nach ihrer größten oder geringsten Bedeutung zu ordnen, also von eins bis neun. Wie Sie sich vorstellen können, erhielt man 2.800 Ergebnisse.
	von jedem Anbieter, aber jedes Ergebnis hat eine Punktzahl von eins bis neun und einige von ihnen haben nicht immer eine Punktzahl von eins bis neun erreicht, sie haben vielleicht nur ihre Top Drei erreicht, andere vielleicht ihre Top Fünf oder Top Sieben oder was auch immer.
	Die Frage ist also, wie Sie all diese Daten – diese 25.000 Datenpunkte – am besten in einem klaren Bild darstellen können, das sozusagen die gesamte landwirtschaftliche Gemeinschaft repräsentiert, die an Dairygold berichtet.
	Und die Ergebnisse sind... also die Antwort hier ist einfach ein Mosaikdiagramm. Sie können hier hoffentlich sehr deutlich sehen, dass 48,8 % der Befragten unserer Lieferanten Faktor 4 als den bedeutendsten eingestuft haben.
	limitierender Faktor für die Expansion auf ihren Farmen. Es folgt dann Faktor 5, den 19% als den wichtigsten Faktor und 23% als
	als Nummer zwei. Von links nach rechts sehen Sie erneut die Faktoren, die für Landwirte am wichtigsten sind.
	Farbe ist hier also wirklich wichtig und ich folge dem Team hier mit geschichteten Heatmaps, wieder für einen ganz anderen Teil
	Einzelhandelsbestellungen. In diesem Fall betrachten wir die Anzahl der Bestellungen nach Tageszeit nur am Wochenende
	zur Einspeisung in unsere Geschäfte. Dies gilt für Freitag, Samstag und Sonntag in den vier Jahren 2015 bis 2018.
	Und für die Tageszeit, zu der die Bestellungen gesendet werden. Jetzt können Bestellungen von Landwirten über Apps gesendet werden und... oder
	Sie können die Bestellung einläuten. Aber Sie können hier deutlich sehen, dass am Freitag, wenn die erste
	Es wird gemolken, manche Bauern gehen raus und sagen pünktlich um fünf Uhr morgens: „Okay, ich brauche mehr Futter. Ich gebe hier automatisch in der App eine Bestellung auf.“
	Und wieder könnte es wieder passieren, vielleicht um 12 Uhr oder so, und es hängt von der Melkzeit der Herde ab, und so weiter. Aber der Wert hier ist, dass wir
	verstehen, was die geschäftigsten Zeiten des Wochenendes für den Eingang von Bestellungen sind und wann Bestellungen bearbeitet werden müssen, und es kann uns ermöglichen zu verstehen
	wie man am besten eine effektive Personalstärke über das Wochenende hat, also macht es keinen Sinn, an einem Sonntag die gleiche Anzahl an Leuten da zu haben wie am Freitag. Vielleicht mehr
	Die Zeit sollte gezielt genutzt werden. Wir sollten mehr Personal für die Auftragsannahme am Freitag und vielleicht auch am frühen Samstagmorgen einsetzen. So konnten wir die Personalstärke in unseren Filialen deutlich effektiver gestalten.
	Bleiben wir wieder beim Thema Farbe und, wie wir wissen, ausgefallene Analysen. Wie Sie sehen, kommen wir gleich darauf zurück.
	aber bleiben Sie beim Thema Farbe. Was Sie hier sehen, ist die Ausgabe, in der wir grafisch ein großes Käsebett dargestellt haben.
	Wenn ich also „groß“ sage, meine ich wahrscheinlich eine Länge von 25 Metern und eine Breite von zwei Metern. Zu diesem Zeitpunkt wurde die Molke aus dem gesamten Quark entfernt, und dann wird diese Käseschicht zerdrückt und in 70 Streifen geschnitten.
	Und dann werden die Streifen in fünf Blöcke geschnitten und dann haben wir die Höhe der Blöcke auf der linken, in der Mitte und auf der rechten Seite gemessen.
	Wir versuchen also, die Höhe des Käsebetts für dieses riesige Käsestück abzuschätzen.
	Und als uns das gelungen war, konnten wir uns anhand der Farbe ein wirklich gutes Bild davon machen, was tatsächlich passiert, und auch die Breite unseres Käsebetts bestimmen.
	Rot bedeutet also eindeutig höher, Grün bedeutet etwas niedriger und wir messen hier in Millimetern, also 120 Millimeter bis 155 Millimeter.
	Man sieht hier deutlich, dass es eine leichte Steigung gibt, wenn man von der oberen linken
	Seite, wo die Höhen nach unten zur linken Seite hin höher sind und auch zur unteren linken Seite, wo das Bett tatsächlich herunterfällt.
	Das ist für uns wirklich wichtig, denn aus Sicht der Variabilität versuchen wir zu verstehen, ob es einen Unterschied gibt ... warum gibt es einen Unterschied in den Blöcken ...
	im Gewicht der Blöcke, die in unseren Prozess gelangen? Dies deutet ziemlich genau auf einen der Gründe hin. Und einer der Gründe ist, dass, wenn die Höhe der Blöcke unterschiedlich sein wird,
	dann würde die Logik vorschreiben, dass auch das Gewicht der Blöcke unterschiedlich sein wird, wenn der Käse auf das gleiche Gewicht komprimiert wurde ... mit der gleichen Kraft.
	Daher ist es für die Leute einfacher, dies anhand von Bildern zu verstehen, insbesondere wenn sie mit der analytischen Seite des Geschäfts nicht sehr vertraut sind.
	Wenn wir uns mehr mit der Analytik befassen, sehen Sie, wir haben die statistische Prozesskontrolle im gesamten Unternehmen häufig eingesetzt, um
	Sie wissen schon, wir suchen nach Möglichkeiten und prüfen Verbesserungen. Hier betrachten wir den Kohlendioxidverbrauch. Wir verwenden Kohlendioxid vor Ort in unseren Produkten und insbesondere in unseren Pulvern.
	wenn wir Pulver in Säcke abfüllen, um die Haltbarkeit von Produkten zu verlängern, was in der Industrie eine gängige Praxis ist.
	Wir entfernen also die gesamte Luft und fügen Kohlendioxid hinzu, wenn wir die Beutel füllen, aber das können Sie hier sehen, und dann versiegeln wir die Beutel, aber Sie können hier sehen, dass wir große Abweichungen hatten, insbesondere im Jahr 2017.
	Und wir konnten diesen Prozess unter Kontrolle bringen und dafür sorgen, dass das Leben im Jahr 2018 ganz anders war und
	wo unser durchschnittlicher Kohlendioxidverbrauch deutlich reduziert wird. Wir stehen noch vor einigen Herausforderungen und vielleicht zeichnet sich auch hier ein Muster ab, das eine Untersuchung rechtfertigt, aber
	Es gibt auch Nebeneffekte bei solchen Dingen, denn solange wir nicht nur unseren Prozess unter Kontrolle bekommen und dies statistisch nachweisen können, sind wir auch in der Lage, einige
	Studien, um auch die Absorptionsrate des Kohlendioxids in unseren Pulvern effektiv zu beurteilen.
	Und das ist wirklich wichtig, denn wenn wir verstehen, wie unser Produkt das Kohlendioxid absorbiert, ergeben sich daraus weitere Vorteile. Einer davon ist
	Wenn das Fett das Kohlendioxid in einem Beutel absorbiert, entsteht im Inneren dieses versiegelten Beutels ein Vakuum. Wenn also ein Vakuum entsteht
	Der Beutel beginnt, sich um das Pulver herum zu verschließen, und der Pulverbeutel wird dadurch wesentlich steifer.
	Aus Sicht der Lieferkette werden die Risiken reduziert und das Leben einfacher, wenn wir diese Säcke für Transport und Versand auf Paletten stapeln können.
	Jetzt ist es, als würden wir Betonblöcke stapeln, anstatt Kissen zu stapeln, die weich, flauschig und flexibel sind. Es ist also eine Win-Win-Situation für alle. Wir haben
	verwendet und ich bin definitiv kein Programmierer, aber wir haben definitiv versucht und viel Hilfe von der irischen Benutzergruppe bekommen
	und an die JMP-Community ... Und wissen Sie was, ich möchte insbesondere auf Troy Hickey von Intel hinweisen, der uns von der irischen Benutzergruppe aus sehr geholfen hat.
	In der JMP-Community ist es großartig, wenn Sie eine Frage stellen, in einem Bereich, in dem Sie vielleicht nach Klarheit suchen
	oder vielleicht ein Bereich, von dem Sie nichts wissen, und um Antworten von Leuten zu bekommen, von denen Sie noch nie gehört haben, sind die Antworten eines Experten ebenso hervorragend.
	In diesem Fall konnten wir mit JSL Code erstellen und dieses Kontrolldiagramm erstellen.
	Format, wenn Sie so wollen, das im Tabulatorformat vorliegt. In diesem Fall also für Magermilchpulver, Vollmilchpulver, demineralisiertes Molkenpulver und Kasein zur Messung von Protein
	Tests in unseren Laboren. Wir überwachen derzeit etwa 30 verschiedene Tests und überwachen den Unterschied zwischen Standards und Nasschemie
	täglich, und auch der Unterschied, der zwischen manuellen Methoden und Nahinfrarotmethoden, also den automatisierten Methoden, besteht.
	Und wir wollen sicherstellen, dass wir beispielsweise bei den Standards für die Nasschemie ein Ziel von Null anstreben. Wir wollen keinen Unterschied zwischen den Ergebnissen, die wir im Labor testen, und den Ergebnissen der
	Standard sagt, es sollte sein. Also wollen wir ein Ziel von Null und das zeigt uns, dass in diesem Fall, wo aus für
	Protein, bei demineralisiertem Molkenpulver liegen wir leicht daneben; wir sind bei 0,04 und wir können das Profil unseres Prozesses verfolgen und wir können
	Der Prozess signalisiert uns, dass eine Prozessverschiebung stattgefunden hat. Also neun Daten ... in diesem Fall mindestens neun Datenpunkte in Folge über dem Mittelwert.
	Und wir wissen dann, dass wir den Prozess stoppen und nicht weiterführen müssen, weil wir ihn untersuchen und etwas unternehmen müssen, um das Problem zu beheben, in diesem Fall die Prozessverschiebung.
	Das war für uns ein großer Vorteil und wir sind jetzt an einem Punkt, an dem wir dieses Setup haben und es jeden Tag läuft, und obwohl es,
	Sie wissen, Hunderte und Aberhunderte, Hunderte, Tausende, selbst an diesem Punkt der Datenpunkte ist das Skript so eingerichtet, dass es nur die letzten 42 Datenpunkte anzeigt, also die Daten der letzten Woche zu einem beliebigen Zeitpunkt, obwohl die Kontrollgrenzen so eingestellt sind,
	basierend auf vorherigen Daten im Prozess. Es ist wirklich gut, hier die JMP-Community zu erreichen. In Bezug auf
	die Ankunftszeiten der LKWs im Unternehmen. In diesem Fall kommen also zwischen Mitternacht und Mitternacht 54.000 Tankwagen an vier verschiedenen Standorten an.
	Und es ist wirklich gut, uns einen Eindruck von den unterschiedlichen Verteilungen zu geben, die es gibt, von der Lieferzeit bis zu den Standorten. Und das ist wichtig für uns, denn wir wollen nicht, dass ein Tanker zum Standort kommt.
	und die Milch abladen und den Standort so schnell wie möglich verlassen. Wir wollen nicht, dass wir
	Es kommt zu vielen Staus und vielleicht gibt es auf einer Baustelle ein Szenario, bei dem LKWs hintereinander aufgereiht sind. Wir möchten, dass während des gesamten Prozesses ein reibungsloser Ablauf gewährleistet ist.
	Und hier sehen Sie als Beispiel: acht Uhr morgens bis neun Uhr,
	Dort gehen die Leute wahrscheinlich zum Frühstück hin. Bei uns ist der Verkehr stärker und es gibt nicht so viele Lieferungen zu den Standorten. Und auch hier ist der Verkehr abends stärker.
	und LKWs werden aufgehalten oder sie sind weg... die Fahrer sind zum Abendessen weg und so weiter. So können wir etwas tiefer graben und für jeden der verschiedenen Standorte „Okay“ sagen, also für zwei Standorte, in diesem Fall Clonmel Road und Castlefarm,
	für die ankommenden Straßen, und diese Standorte liegen sehr nahe beieinander, für die ankommenden Straßen in Richtung Norden, Süden, Osten und Westen,
	wie sieht es aus und haben wir eine klare Verteilung der Daten, die wir wollen, oder
	Gibt es beispielsweise Spediteure, die innerhalb von 24 Stunden aus dem Osten nicht liefern? Wir können verstehen, was los ist, und diese Informationen nutzen.
	und sagen, okay, von einer Pumpenentlastungsrate, denn wir haben in diesem Fall zwei Standorte, die 11 Pumpen haben, die entlasten
	über eine halbe Milliarde Liter an zwei Standorten, pro Jahr.
	Und wir wollen herausfinden, welche Pumpen effizienter oder weniger effizient sind als andere. Und wir können hier deutlich sehen, dass es vier Pumpen gibt, die eine höhere Entlastungsrate haben,
	Sie können also schneller und in der gleichen Zeit mehr Milch abpumpen als manche andere Pumpen. Und hier sehen Sie, dass
	An Standort 2 ist Pumpe 3 die effizienteste Pumpe, während Pumpe 4 und Pumpe 3 die am wenigsten effizienten Pumpen sind. Wenn wir also eine Wartungsüberholung durchführen würden, wüssten wir, dass diese Pumpen zuerst überholt werden müssen.
	Wir verwenden JMP, um Messsysteme sowohl hinsichtlich Exzellenz als auch Chancen zu bewerten, und wir tun dies, wissen Sie,
	so oft, dass ich nicht einmal mehr mitzählen kann. In diesem Fall, wenn ich mir Orthophosphate anschaue (?), und wissen Sie, es ist ein Standard-Gauge R&R und die Ergebnisse sind wirklich gut. Also da
	19 Anzahl der verschiedenen Kategorien; 19 ist ausgezeichnet und Gauge R&R ist .5, also weniger als 10 ist ideal und es bedeutet nur, dass Sie wissen, dass wir wirklich gute
	Messsysteme, die durchgängig zuverlässig sind. Und egal, welches Teil Sie einem Analysten vorlegen, er wird Ihnen immer das gleiche Ergebnis liefern.
	Die Person, die den Test durchführt, beeinflusst also nicht die Testergebnisse, was man immer sehen möchte.
	Manchmal verfügen wir über subjektive Messsysteme und müssen auch eine Attributübereinstimmungsanalyse durchführen.
	In diesem Fall betrachten wir die visuelle Beurteilung von verpackten Produkten und Sie können nach Dingen wie Rundheit oder beschädigten Kanten oder der Prägung suchen.
	Lesbarkeit usw. Nachdem Verbesserungen vorgenommen wurden, können Sie hier sehen, dass wir bei den Gutachtern eine Übereinstimmung von 90 bis 95 % haben.
	Insgesamt ist die Übereinstimmungsrate 82 % in Bezug auf die Anzahl der übereinstimmenden und vereinbarten Teile.
	innerhalb jedes ... innerhalb und zwischen jedem Betreiber, aber wahrscheinlich noch wichtiger ist die Effektivität, also die Ausrichtung am Standard.
	Und wir können hier im Nachhinein sehen, dass die Übereinstimmung mit dem Standard jetzt bei 96 % liegt, also wirklich gut. Und Sie wissen auch, dass wir sicherstellen können, dass unsere Produkte zuverlässig bewertet werden, auch wenn sie subjektiv sind.
	Wir können natürlich auch Experimente entwerfen, um die Wirkung verschiedener Faktoren zu quantifizieren. In diesem Fall betrachten wir den WPNI, den Molkenprotein-Stickstoffindex, also ein Maß dafür.
	Proteindenaturierung in unserem Produkt, also ist es ein Hinweis auf den Grad der Wärmebehandlung, die das Produkt erhalten hat, und das kann sein,
	entschuldigen Sie, das kann wirklich wichtig sein, weil der Grad der Wärmebehandlung die Anwendung beeinflussen kann von
	Aus Kundensicht. Wenn also beispielsweise die falsche Wärmebehandlung angewendet wurde, kann das bedeuten, dass ein Kunde, der unser Produkt vielleicht zu Joghurt verarbeiten möchte,
	dann wäre das Produkt nicht geeignet, weil es vielleicht ein körniges Gefühl hinterlässt, ein körniges Mundgefühl oder so etwas, also ist es für ein Produkt wie Joghurt nicht geeignet.
	Wir hatten also Probleme mit inkonsistenten Ergebnissen des Molkenprotein-Stickstoffindex und es gab einige Unklarheiten in unserem Verfahren,
	insofern es offen für Interpretationen war. Es könnte also heißen: „Schütteln Sie etwas,
	Schütteln Sie dieses Fläschchen. Wissen Sie, da könnte einfach „Schütteln“ stehen, und jemand könnte sagen, „Ja, ich schüttle es fünf Sekunden lang“, jemand anderes könnte sagen, „Ich habe es nur zehnmal umgedreht“, und jemand anderes würde sagen, „Ja, ich schüttle es 30 Sekunden lang kräftig.“
	Jeder hat sich also mit den besten Absichten an das Verfahren gehalten, aber wenn das Verfahren mehrdeutig ist, dann ist es auslegungsbedürftig und das kann ebenfalls zu Inkonsistenzen führen.
	Wir versuchen also, Versuche zu entwerfen, um die Faktoren zu verstehen, die die Variation in unserem Prozess beeinflussen können.
	Hier haben wir also eine Natriumchloridlösung, also eine Salzwasserlösung, die mit und ohne Startriegel hergestellt wird.
	Die Dauer an einem heißen Ort beträgt 45 oder 60 Minuten und dann verwenden wir diese Lösung hier für, und diesen kleinen Testplan hier, wir waren... Wasserbadtemperatur ist 37 und 40 Grad, dies ist eine der vier Lösungen hier oben, farbcodiert.
	Und dann haben wir Schüttelintervalle im Wasserbad und eine Anzahl von Tropfen, von denen ich glaube, dass es auch Salzsäure war.
	Und wieder können wir den interaktiven Explorer nutzen, um zu sehen, was mit dem Prozess los ist, wenn wir niedrige WPNI-Ergebnisse haben. Ein bisschen
	schwieriger zu verstehen, was hier vor sich geht, also müssen wir offensichtlich noch ein bisschen weiter gehen und anfangen, einige Modelle zu erstellen und zu verstehen, was vor sich geht.
	Die Modelle sind hier hinsichtlich der Stärken, über die wir sprechen, ziemlich gut, R² liegt bei etwa 68 %.
	Und wir können das sofort erkennen. Die Haupteffekte sind hier die Wasserbadtemperatur, gefolgt von der Rührstabdauer und dem Wechselwirkungseffekt der Heizplatte.
	Und wir können auch die Wirkung sehen, welcher Parameter zieht ... welcher Effekt zieht
	Auch der Prozess in welche Richtung. Und wir haben hier unten auch den wertvollen Vorhersage-Profiler. Wir können untersuchen, was los ist.
	Was mir außerdem gefällt, ist, dass Sie die Ergebnisse manchmal verwenden können, also, ich verwende manchmal die Ergebnisse einiger dieser Experimente, um … aus pädagogischer Sicht.
	Ich habe vorhin darüber gesprochen, dass Rührstab und Verweildauer auf der Heizplatte wichtige Faktoren sind. Dabei handelt es sich um einen Wechselwirkungseffekt, d. h., die Wirkung eines Faktors hängt von der Pegeleinstellung eines anderen ab.
	Aber Sie können, wissen Sie, Sie können versuchen, jemandem auf einer Seite den Interaktionseffekt zu erklären; wir haben gekreuzte Linien und gekreuzte Linien bedeuten, dass es
	starke Wechselwirkung. Wenn die Linien parallel verlaufen, sich aber zu kreuzen scheinen, handelt es sich um eine geringe Wechselwirkung. Oder Sie können die Daten nehmen und sie grafisch darstellen.
	und in diesem Fall haben viele Leute noch nicht gesehen, wie eine Interaktion mit zwei Faktoren aussieht, und so sieht eine Interaktion aus und sie kann verwendet werden als …
	auch als Lehrmittel. In unserem Fall hier haben wir das WPNI-Ergebnis hier auf unserer Y-Achse, entschuldigen Sie, ja, auf unserer Y-Achse,
	Dauer auf der Heizplatte: 45 Minuten und 60 Minuten. Wenn wir also bei 45 Minuten bleiben, wo wir keinen Rührstab haben, und wenn wir wechseln … wir bleiben bei 45 Minuten und wechseln zu einem Rührstab, können wir sehen, dass wir von dieser Stufe auf diese Stufe gesprungen sind.
	Wenn wir hingegen 60 Minuten verwenden, ist der WPNI-Level hier, ohne Rührbalken, und wir springen zu einem Rührbalken, wir können sehen, wie er nach unten springt. Also
	der Sprung ist hier nicht so groß wie hier, aber es zeigt sofort, dass die Wechselwirkung zwischen Rührstab und Verweildauer auf der Heizplatte ziemlich groß ist.
	Und genau das kommt zum Ausdruck: Es erfordert viel Prozesswissen und -verständnis. Wir können auch einige Klassifizierungstools verwenden, in diesem Fall Entscheidungsbäume, um zu versuchen, sie zu verstehen.
	Dies ist also eine Anfrage von F&E in Bezug auf die Bräunung von Käse und es ist, wie es sich auch anhört, es bezieht sich auf die Bräunung von Käse
	in einem Ofen, wenn etwas Hitze zugeführt wird, wie bei Pizzas. Wir wollen also nicht, dass der Käse zu schnell verbrennt. Wenn also Cheddar-Käse auf einer Pizza ist, wollen wir nicht, dass er zu schnell verbrennt.
	Sie möchten, dass es etwas Leben hat und das Rezept gekocht wird. Also noch einmal, und hier ist ein Beispiel für eine Klassifizierung, Entschuldigung, einen Entscheidungsbaum, wo wir uns ansehen
	drei verschiedene Stufen, wenn man so will, helle, mittlere und dunkle Bräunung, dargestellt durch den Baum, die Farbe ist grün,
	gelb bzw. rot. Und wir können sehen, dass der pH-Wert im Betrieb hier der wichtigste Faktor ist, insbesondere wenn der pH-Wert im Betrieb größer als 6,48 ist,
	Dann sehen wir, dass 99,3 % unseres Prozesses eine leichte Bräunung aufweisen werden, genau das, was wir wollen. Grün ist gut, Rot ist schlecht. Ebenso wissen wir, dass wir gefährdet sind, wenn unser pH-Wert unter 6,48 liegt und wir ...
	und wir nehmen unsere Proben, also den Käse in unserem Block, in unserem buchstäblich 20 kg schweren Block, aus einer Ecke, dann wissen wir, dass wir eine 31%ige Chance haben,
	dunkle Bräunung, also wird es nicht gut sein. Aus dieser Perspektive können wir sehen, dass die Größe der
	Zählungen, die die Anzahl der Objekte angeben, verursachen dies ebenfalls, und auch im Hinblick auf die Beendigung der Blattknoten im Baum. So erhalten Sie
	ein gutes Gespür dafür, was in Ihrem Prozess vor sich geht, im Hinblick auf die wichtigen Faktoren, die am besten trennen, in diesem Fall die Bräunungsklassifizierung.
	Und ich sage hier „verdeckter Bootstrap-Forest“, weil ich glaube, dass dies ein zu wenig genutztes Tool in JMP ist und … wenn Sie verstehen, was ein Entscheidungsbaum macht und wie er funktioniert, werden Sie verstehen, dass es ein ziemlich leistungsfähiges Tool ist.
	Und ich bin mir nicht sicher, wenn ich ehrlich bin, ob der Algorithmus, der für Entscheidungsbäume verwendet wird, ob es sich um einen iterativen Dichotomizer handelt oder
	C 4.5 oder 5.0 oder was auch immer, aber was ich weiß ist, dass das Prädiktor-Screening den Entscheidungsbaum-Algorithmus im Hintergrund nutzt und Bootstrap-Forest verwendet, was
	Stichprobenziehung mit Zurücklegen, um eine Reihe dieser Bäume zu erstellen und sie alle zusammenzufügen und Ihnen dann die durchschnittlichen Ergebnisse der Bäume zu geben. In diesem Fall, und das ist aus dem
	Paralleldiagrammbeispiel zuvor für die 30 verschiedenen Maschinenparameter, in diesem Fall sehen Sie, dass es tatsächlich 31 sind,
	denn als ich zum Team zurückging, sagte ich, dass mit dem Düsenluftdruck etwas nicht stimmt und dass dies ein wichtiger Faktor zu sein scheint, und das Screening der Prädiktoren sagt mir das.
	Hinten im Raum ging eine Hand hoch und sie sagten tatsächlich:
	Von allen Parametern ist das wahrscheinlich keiner, der dort hätte stehen sollen, weil es sich nicht wirklich um einen Maschinenparameter handelt. Wir haben ihn einfach selbst eingefügt, um zu sehen, ob etwas herausspringt.
	Und tatsächlich ist dies derjenige, der ins Auge fiel und deshalb herausgenommen und separat bewertet werden musste.
	In Bezug auf, und ich bin auch fast da, in Bezug auf die Präsentation, also in Bezug auf sie
	Durch die Verwendung von Modellen zur Vorhersage zukünftiger Leistungen bewegen wir uns von Erkenntnissen zur Vorausschau.
	Und hier haben wir ein Modell erstellt, das mit einer Modelleffektivität von 76 % auf der Grundlage von 1.438 Beobachtungen ziemlich stark ist.
	Die Frage war, ob wir ein Tool entwickeln können, das uns hilft, sowohl die Anzahl der Bestellungen vorherzusagen, die an jedem Tag der Woche, an jeder Woche des Jahres ins Geschäft eingehen, als auch
	auch die Anzahl der Bestellungen vorhersagen, die wir erhalten würden ... Entschuldigung, auch die Bestellmengen vorhersagen, die wir am selben Tag erhalten werden?
	So konnten wir alle historischen Daten nehmen und mithilfe des Vorhersageprofilers auswählen, welches Jahr aus saisonaler Sicht am häufigsten zu dem passt, was wir vorhersagen möchten.
	Und dann gehen Sie zum entsprechenden Monat, dem gewünschten Datum und dem Wochentag und stellen dann fest, ob es ein Feiertag ist oder nicht.
	Und Sie können hier sehen, dass ich hier zwei verschiedene Einstellungen eingerichtet habe. Eine ist für Feiertage, eine für nicht-Feiertage. Und Sie können sehen, dass es eine signifikante
	Interaktionseffekt hier zwischen Feiertag und Wochentag auch. So können wir zurück zum Geschäft sagen am
	Egal an welchem Wochentag, am 26. Oktober 2019, der ein Donnerstag und kein Feiertagswochenende ist, erwarten Sie 120 eingehende Bestellungen, was ebenfalls einem Produkteingang von knapp 1.100 Tonnen entspricht.
	Wir haben das Ganze an zwei Wochenenden durchgeführt, an einem Wochenende mit und einem ohne Feiertag. Und es ergab tatsächlich 85 %, was wirklich gut ist. Obwohl das Modell also 76 % ergab, war das Ergebnis in der Realität ziemlich gut.
	Dann von der Erkenntnis zur Voraussicht, wo wir wieder versuchen, die Saisonverifizierbarkeit zu berücksichtigen,
	Wir haben hier verschiedene Jahre, die durch verschiedene Farben dargestellt werden, also 2015, 16, 17, 18 und so weiter. Und wir sehen uns eine Zahl an... einige der Futtermengenbestellungen, die in
	das Geschäft. Jeder Punkt stellt eine wöchentliche Bestellmenge dar und was ich hier übertrieben habe, ist, dass ich das tatsächlich vorhergesagte Modell überlagert habe, so dass der vorhergesagte Wert
	in jeder dieser Wochen. Und Sie können sehen, wie genau das Modell im Vergleich zur tatsächlichen Genauigkeit ist, also tatsächlich im Vergleich zur Prognose.
	Und dann war ich in der Lage, - und wenn ich ehrlich bin, kann ich mich nicht erinnern... es war entweder die saisonale exponentielle Prognose oder unser saisonales ARIMA,
	saisonaler ??? gleitender Durchschnitt, um zu bestimmen, wie es in den nächsten sechs Monaten aussehen wird.
	Und dies ist wiederum für unser Geschäft von großem Wert, da die Saisonalität eine Herausforderung darstellt. Wir können diese Tools mit einem hohen Maß an Vertrauen nutzen, um zu verstehen, mit welchem Auftragsvolumen wir in Zukunft im Geschäft rechnen können.
	Und schließlich, und das ist für uns wohl etwas schwierig, da wir uns noch nie mit diesem Thema befasst haben, neuronale Netzwerke. Wir nutzen neuronale Netzwerke in diesem Fall als Versuch, um zu verstehen, ob wir Sedimente in unserem Prozess aussortieren können. Wenn wir also ADPI-Ergebnisse haben, ist dies
	ein Sedimentkissen und wir sehen eine Menge möglicherweise verbrannter Partikel, vielleicht von einem Trocknungsprozess oder so, und wo, wo sind wir? Ist es Stufe A, B, C oder D?
	Dabei stellt das Siebergebnis die Anzahl der im Sieb zurückbleibenden Partikel dar und das Tumblerergebnis T1B1 stellt oben und unten dar.
	T1 stellt die Anzahl der Partikel dar, die möglicherweise auf der Wasseroberfläche schwimmen, und B stellt möglicherweise die Anzahl der Partikel am Boden dar, also das Sediment, das auf den Boden gesunken ist.
	Und wieder verwenden wir es hier im neuronalen Netzwerk und mit K-facher Kreuzvalidierung, also ich glaube, K wurde auf 10 gesetzt. Wir haben neun
	Ich glaube, auch hier gibt es Aktivierungsfunktionen. Ja, hyperbolisch ... linear, gaußförmig und, glaube ich, auch hyperbolischer Tangens.
	Und wir können jedes dieser
	Eingangsknoten, die in unsere Aktivierungsfunktion einfließen, und dann haben wir hier auch unsere Ausgabeschicht, die uns das Endergebnis liefert. Wir können also verwenden,
	in diesem Fall 6.245 Ergebnisse zu
	Trainieren Sie unser Modell und erstellen Sie dann, nachdem wir es auch mit der Kreuzvalidierung validiert haben, unsere Konfusionsmatrix. Das ist auch ganz gut. Wir haben nicht so viele Werte in A1/A2
	bis zu B-Noten, wie wir es für A1 tun, aber es zeigt uns irgendwie, dass, wissen Sie, wenn wir eine A2-Note haben
	dass wir vorhergesagt haben, dass 35 davon eine echte Zwei und nur zwei A1 sein würden. Es kann also ein Fehler vorliegen, und der Fehler kann von der Art und Weise herrühren, wie das Modell war.
	Sie wissen, ursprünglich erstellt von Bewertern, die manuell versuchten, den Unterschied zu beurteilen, der in jedem dieser Bereiche besteht, wenn und wann
	Es kommt zu Unklarheiten in den Ergebnissen und dann wird versucht, eine endgültige Entscheidung zu treffen. Die Frage ist also, ob wir eine Maschine dazu bringen können, mit einem hohen Grad an Genauigkeit vorherzusagen, wie diese endgültige Entscheidung ausfallen wird.
	Und wieder würden wir erwarten, dass die Wahrscheinlichkeit, hier oben eine Note als A1 zu erhalten, ziemlich hoch ist, wenn das Tumbler-Ergebnis T1B1 ist, kaum Floater oder Sinker
	und wenn die Siebergebnisse auch hinsichtlich der Partikelmenge recht niedrig wären, würden wir erwarten, dass unsere Ergebnisse für A1 hier oben liegen.
	Die Tatsache, dass wir hier A1 sehen, könnte darauf hinweisen, dass das Modelltraining nicht ganz so effektiv war, wie es hätte sein können, und dass möglicherweise einige Fehler im Modell vorhanden waren.
	Und wieder können Sie sehen, dass hier ein sehr... ziemlich komplexes Modell erstellt wurde
	dafür, aber wissen Sie, es ist ein bisschen eine Blackbox, wie wir alle aus der Perspektive neuronaler Netzwerke wissen. Aber ich denke, es erfordert auch hier eine enorme Menge an Prozesswissen und Proof of Concept für uns, wenn wir uns dem gesamten Bereich des maschinellen Lernens und der KI nähern.
	Ich weiß, ich habe viele Leute angegriffen und es war ziemlich überstürzt. Ich könnte wahrscheinlich stundenlang über die ganze Sache sprechen und entschuldige mich ... entschuldige, wenn es sich übereilt angefühlt hat, aber was ich sagen möchte, ist nur aus der Perspektive eines abschließenden Gedankens:
	Ich denke, es hat sich gezeigt, dass man, egal in welcher Branche man tätig ist, sogar in der Agrarindustrie, die sehr weit entfernt ist von der typischen Datenanalyseumgebung, in jeder Branche,
	Datenanalysen können einen erheblichen Mehrwert für das Unternehmen schaffen und Sie können nahezu jeden Teil des Unternehmens erreichen und unterstützen.
	Außerdem möchte ich sagen, dass man den Wert einfacher grafischer Analysen nicht unterschätzen sollte. Erst in der Mitte dieser Präsentation haben wir begonnen, einige der leistungsfähigeren Analysen vorzustellen, die in JMP eingebettet sind und
	Ich finde es toll zu wissen, wie man all die tollen Tools benutzt, und es gibt dafür die richtige Zeit und den richtigen Ort, aber wissen Sie, Einfachheit kann auch sehr wirkungsvoll sein, und man sollte ihren Wert nicht unterschätzen.
	Ansonsten möchte ich mich bei Ihnen allen fürs Zuhören bedanken. Ich weiß das wirklich zu schätzen und freue mich über Ihre Fragen und Kommentare. Vielen Dank.

Erweiterte statistische ModellierungGrundlegende Datenanalyse und -modellierungDatenexploration und -visualisierungPrädiktive Modellierung und maschinelles LernenQualitäts- und Prozesstechnik