| Oratore |
Trascrizione |
| Kieran O'Mahony |
Ok, grazie mille, mi chiamo Kieran O'Mahony e sono il responsabile della scienza dei dati e dell'analisi per Dairygold in Irlanda. |
| |
Il titolo della mia presentazione è "Mungere i dati di Dairygold dai grafici a barre alle reti neurali". |
| |
Quindi penso sia giusto dire che l'uso dell'analisi dei dati è tipicamente più associato a settori quali finanza e sanità, farmaceutica, semiconduttori e simili, ed è probabilmente raro che le parole agricoltura e analisi si trovino nella stessa frase. |
| |
Questa sessione intende quindi offrire una panoramica su come alcune aziende molto tradizionali abbiano accolto e incoraggiato l'uso dell'analisi dei dati in tutta l'azienda. |
| |
Quindi questa sessione sarà probabilmente diversa dalle altre sessioni che potresti vedere al Discovery, nel senso che quello che sto cercando di fare qui è concentrarmi meno su un progetto, ma piuttosto mostrare più esempi di come |
| |
Dairygold ha utilizzato JMP per consentire decisioni basate sui dati in tutta l'azienda, e non solo nella produzione, il che ritengo importante. |
| |
Quindi, prima di iniziare, credo sia importante fornire qualche informazione di base sull'azienda, una panoramica e cosa facciamo. |
| |
Dairygold è la principale cooperativa agricola irlandese, dotata di stabilimenti all'avanguardia per la produzione di formaggi e prodotti nutrizionali in polvere, situati nel cuore delle Golden Valleys. |
| |
Ok, per spiegare meglio, in quanto cooperativa fondamentalmente... fondamentalmente intendiamo dire che siamo di proprietà dei fornitori di latte, quindi degli agricoltori. |
| |
Abbiamo 2.800 fornitori di latte che ci forniscono latte ogni giorno e ognuno di loro è azionista, quindi il modello aziendale è un po' insolito nel senso che i fornitori di materie prime sono anche i proprietari dell'azienda. |
| |
Quindi il fatturato dell'anno scorso è stato di 1,2 miliardi di euro, abbiamo circa 1.200 dipendenti e lavoriamo circa 1,4 miliardi di litri di latte all'anno, quindi ogni giorno ci arriva una grande quantità di latte. Infatti, |
| |
al picco, poiché abbiamo un'attività stagionale, parliamo di oltre 6 milioni di litri di latte che arrivano nei nostri stabilimenti ogni giorno. |
| |
Disponiamo anche di negozi al dettaglio, dove è possibile acquistare di tutto, dai martelli agli elettrodomestici, dalle attrezzature agricole a tutto il resto. E abbiamo anche il settore agricolo, dove produciamo mangimi per animali nei nostri stabilimenti. |
| |
Dairygold esiste da molto tempo: ha iniziato la sua attività nel 1908 con il nome di Ballyclough, per poi diventare Mitchelstown nel 1919 e infine Dairygold nel 1990. |
| |
E probabilmente abbiamo fatto...beh, non è probabile...è giusto dire che abbiamo fatto molta strada da quando il latte veniva consegnato con cavalli e carrozze, tanti anni fa. |
| |
È un'organizzazione molto tradizionale e con una lunga storia alle spalle, ma è anche molto progressista. |
| |
E quando dico che abbiamo fatto molta strada, sapete che abbiamo una catena di approvvigionamento molto ampia con una flotta di petroliere ora, e ogni petroliera, |
| |
Potete vedere un esempio qui, ogni autocisterna trasporta circa 26.000 litri di latte e noi raccogliamo il latte ogni giorno dai nostri 2.800 fornitori. Ed è una catena di approvvigionamento molto complessa nel senso che |
| |
non solo raccogliamo il latte dai nostri fornitori, ma raccogliamo anche il siero di latte dai nostri stabilimenti di lavorazione del formaggio, se non lo indirizziamo automaticamente |
| |
attraverso una tubazione verso un sito diverso. Quindi lo raccogliamo anche in autocisterne e lo trasportiamo in altri siti. |
| |
E facciamo lo stesso per il concentrato di latte scremato e il concentrato di siero di latte demineralizzato che vendiamo ad altri clienti, e poi abbiamo anche la parte in polvere e la parte del formaggio che distribuiamo. |
| |
Abbiamo anche alcuni degli essiccatori più grandi d'Europa, qui ne potete vedere uno in particolare che si estende su cinque o sei piani. |
| |
Quindi, negli ultimi cinque o sei anni, Dairygold ha investito oltre 400 milioni in tutti gli stabilimenti, quindi è sicuro... per garantire che abbiamo... |
| |
possiamo soddisfare le esigenze della futura espansione del volume nel bacino del latte (?). In termini di prodotti che realizziamo, realizziamo |
| |
polveri e formaggi, per la maggior parte, dal latte intero in polvere al latte scremato in polvere e alle proteine in polvere e molti tipi diversi di formaggio, in particolare formaggio e cheddar. |
| |
E riforniamo molteplici settori, dalla pasticceria alla pizza, dal salato allo yogurt e agli alimenti trasformati, fino al latte artificiale per neonati e al cibo per bambini. |
| |
Ed è probabile che tu abbia... se hai mangiato qualcosa oggi, è molto probabile che tu abbia consumato anche un po' di latte scremato in polvere o latte intero in polvere, perché è molto diffuso, al giorno d'oggi, in molti ingredienti alimentari. |
| |
Questo è il contesto del business. In termini di dati, penso sia corretto dire che ci sono molte aziende che sono considerate ricche di dati ma povere di informazioni. |
| |
Ed è anche giusto dire che più dati si hanno, più a volte si può generare molta più confusione. |
| |
E a volte penso che sia giusto dire che anche quando hai tutte le informazioni e hai... quindi hai questa popolazione e hai, sai, un'idea di cosa esattamente |
| |
è necessario estrarre dati per ottenere informazioni utili dall'azienda, ma a volte le aziende non sanno esattamente cosa fare con quei dati. |
| |
E dal punto di vista di Dairygold, quello che vogliamo fare è cercare di allontanarci di più dal lato destro del cervello, dove è focalizzato sull'uso, suppongo, di supposizioni, intuizioni, supposizioni e congetture. |
| |
e spostandosi maggiormente verso il lato sinistro del cervello, dove è più focalizzato sull'uso della logica, della matematica, della ragione e della scienza, ma questo è ciò che vogliamo utilizzare di più nel business e utilizzare maggiormente il processo decisionale basato sui dati in tutta l'azienda. |
| |
Una volta mi è stato chiesto, prima di una presentazione, di fare un riassunto della strategia sui dati di Dairygold e di farlo in una sola pagina, e credo che all'epoca... |
| |
Fu allora che mi resi conto che probabilmente all'epoca non avevamo una solida strategia sui dati. |
| |
Ma quello che sto cercando di fare ora è semplicemente mostrare con un'unica immagine qual è la nostra attuale strategia sui dati, ed è davvero semplice. |
| |
Vogliamo quindi prendere i dati esistenti nell'azienda e utilizzare l'analisi per trasformarli in informazioni utili. |
| |
E da queste informazioni otteniamo risposte alle domande chiave che avevamo, e a volte non solo otteniamo risposte alle domande che avevamo, ma a volte |
| |
In realtà, ci ritroviamo con altre domande. Ma queste sono davvero importanti e davvero potenti, perché sono domande che non sapevamo di dover porre fin dall'inizio. |
| |
A volte, quindi, dobbiamo tornare indietro e analizzare nuovamente i nostri dati per trovare le risposte a queste domande. |
| |
Ma alla fine, quando arriviamo al punto in cui abbiamo le risposte a tutte le nostre domande, siamo in una posizione molto migliore e abbiamo una visione molto più approfondita dei nostri processi. |
| |
E con questa intuizione, siamo quindi in grado di prendere decisioni tempestive basate sui dati e di darci la giusta... indirizzarci nella giusta direzione. |
| |
E se comprendiamo abbastanza bene il nostro processo, abbiamo abbastanza intuizioni, allora dovremmo essere in grado di usare quei dati per poter |
| |
comprendere cosa potrebbe potenzialmente accadere in futuro, con un elevato grado di accuratezza. Quindi, una buona intuizione dovrebbe consentirci anche di avere una buona lungimiranza, ovvero di prevedere cosa accadrà. |
| |
Quindi, come ho detto all'inizio, lo scopo di questa presentazione è quello di fornire una serie di esempi dei diversi modi in cui i dati sono stati utilizzati in Dairygold. |
| |
Direi che siamo molto avanti da una prospettiva interna, in termini di decisioni basate sui nostri dati, e a questo punto stiamo iniziando a occuparci dell'intero settore dell'apprendimento automatico e dell'intelligenza artificiale. |
| |
Sono fermamente convinto che anche la semplicità possa essere molto potente. |
| |
Ed è per questo che questa presentazione si intitola "Dai grafici a barre alle reti neurali". |
| |
E penso che sia davvero importante sottolineare che si può estrarre molto valore da analisi molto semplici. Il primo esempio che voglio condividere qui riguarda i grafici a barre. |
| |
Ma a volte penso che le persone possano partecipare alle presentazioni e avere grafici a barre che si estendono su più pagine e con JMP è così facile inserire tutte le informazioni in un unico |
| |
vista. Quindi, in questo caso, stiamo osservando l'acido nitrico in un processo di pulizia e qui in alto possiamo vedere ogni singolo punto dati e per ciascuna di tutte le fasi di un processo di pulizia con acido nitrico. |
| |
E potete vedere il livello di acido nitrico utilizzato in ciascuna fase. La fase successiva che stiamo esaminando... è il numero di utilizzi, ovvero il numero di volte in cui quella fase è stata ripetuta. |
| |
E qui stiamo esaminando l'uso medio di acido nitrico per ciascuna delle fasi. Quindi, ad esempio, possiamo vedere che, |
| |
sai, qui abbiamo una media più alta di 24 litri a settimana utilizzati, ma la frequenza con cui si è verificato quel passaggio è stata solo quattro volte, |
| |
ed è stato chiaramente influenzato da questo valore anomalo qui, quindi questo è ovviamente distorto, e probabilmente ancora più importante, per noi, perché quello che stiamo cercando di fare qui è capire |
| |
e ridurre la quantità di acido nitrico utilizzata su base giornaliera, settimanale e mensile, è la somma dell'acido nitrico utilizzato nel processo per ciascuna delle fasi del processo. |
| |
E ciò che era importante...ciò che era importante per noi evidenziare qui, credo, e ancora una volta si tratta solo di semplici grafici a barre, ma ci ha dato una direzione enorme |
| |
nel business e ci ha mandato fuori...scusa, ha evitato di mandarci fuori tema perché quando abbiamo esaminato tutti questi dati, possiamo vedere che |
| |
Sono saltate fuori tre aree diverse. Abbiamo fatto un risciacquo finale, un pre-risciacquo e un altro risciacquo finale. E i dati mostravano |
| |
che durante queste fasi di risciacquo veniva utilizzato acido, il che non è possibile perché le fasi di risciacquo prevedono solo l'uso di acqua. |
| |
Quindi un ulteriore approfondimento ha mostrato che inizialmente erano stati impostati tag di dati errati da un fornitore sul nostro sistema di scansione(?) |
| |
per i nostri flussi monitorati. Quindi, quando pensavamo di monitorare effettivamente l'uso di acido nitrico, in realtà non lo stavamo facendo. Eravamo informati in modo errato. Quindi |
| |
avremmo potuto davvero andare oltre, scavare a fondo e comprendere il nostro processo e cosa lo guidava, ma i grafici a barre molto semplici spesso centrano la direzione corretta e siamo stati in grado di capire con precisione cosa stava realmente accadendo nella nostra attività. |
| |
E il nostro utilizzo dei grafici a barre nel business e, se devo essere onesto, questo è probabilmente uno dei miei usi preferiti dei grafici a barre nel business perché è molto semplice. |
| |
Ma mostra...mostra quattro diverse dimensioni del tempo di inattività, tutte in un'unica pagina, davvero semplice e molto intuitivo da usare e da leggere, credo. |
| |
Quindi quello che abbiamo qui è la quantità di tempo di inattività monitorata in un caseificio al mese. Quindi sull'asse Y si vedono i minuti di inattività. |
| |
per ciascuna delle sei diverse aree all'interno dello stabilimento caseario, per ciascuno dei sei mesi aprile, maggio, giugno, luglio e così via fino a settembre in ordine decrescente, in ordine temporale, immagino, in realtà |
| |
per ciascuno dei turni A, B, C e D. Ora, potresti essere perdonato per pensare che i dati siano stati inventati perché i numeri dei minuti sono così bassi, ma sono davvero importanti da un punto di vista |
| |
La prospettiva della produzione del formaggio è che l'impianto non si fermi mai. Quindi questi sono numeri reali, intendo dire che stiamo monitorando i tempi di fermo in minuti al mese. |
| |
Se il processo si interrompe, il pH del prodotto cambia e ciò può influenzare negativamente |
| |
il prezzo di vendita finale e la qualità del prodotto, quindi è importante non fermarsi. |
| |
Quindi, questo è il livello a cui siamo arrivati dal punto di vista della manutenzione. Siamo scesi a pochi minuti e chiaramente quello che possiamo vedere qui è che non ci sono troppi problemi con BetaVac, ma per i formatori di blocchi, stiamo riscontrando problemi con i turni C e D. |
| |
con altri problemi qui per C su Blockmaster. In quest'area dei trasportatori, di nuovo C salta fuori, e di nuovo per i soffietti C e D. |
| |
E forse ci sono altri problemi con C e D qui. Quindi, da questa analisi siamo riusciti a dedurre che i turni C e D stanno incontrando qualche difficoltà dal punto di vista della manutenzione e necessitano di un po' più di supporto. |
| |
Ci piace particolarmente il collegamento dinamico |
| |
elemento di JMP anche per l'esplorazione dei dati. E, in questo caso, vorrei sottolineare che abbiamo molti laboratori all'interno dell'azienda, quindi abbiamo laboratori microbiologici, chimici, ecc. |
| |
e testiamo il latte, il formaggio, l'acqua, il processo e il prodotto finito e testiamo un numero enorme di elementi dell'azienda. |
| |
E questa funzione di collegamento interattivo che era, come puoi vedere qui, è stata trasformata in un HTML interattivo, |
| |
è stato utilizzato in modo che diverse persone all'interno dell'azienda potessero lavorare per creare un repository e poi poterlo visualizzare e interagire con esso. |
| |
Quindi quello che stiamo cercando di fare qui è creare un repository in cui abbiamo problemi che esistono all'interno dell'azienda, quindi in questo caso evidenzio il blocco... mi dispiace, sto mostrando tubi bloccati, CIP dell'evaporatore e interruzione di corrente. |
| |
E quando clicchi su "interruzione di corrente", puoi vedere le aree ombreggiate delle barre verdi evidenziate. Quindi, in questo caso, vedi un'interruzione di corrente, una o più interruzioni di corrente si sono verificate ad agosto. |
| |
In questo caso, ha interessato queste fasi di lavorazione e, in particolare, il microrganismo più presente in tali processi è stato lo streptococco. |
| |
Quindi il valore qui è che quando continuiamo ad aggiungere problemi a questo repository da una prospettiva di fattore saremo in grado di quindi |
| |
guardare al futuro per vedere i rischi per l'azienda quando succede qualcosa, così sappiamo che la prossima volta che avremo un'interruzione di corrente dovremo aumentare la quantità di test in questa fase o processo perché c'è un rischio maggiore che si verifichi lo streptococco. |
| |
A volte arrivi al punto in cui hai così tante barre che devi aggiungere, sai, la stagionalità e la fluidità |
| |
linee anche per aggiungere maggiore visibilità. Questa è una sfida che abbiamo nel settore, di cui parlerò più avanti: l'elemento stagionale del business. |
| |
E lo siamo molto, perché le mucche mangiano l'erba e l'erba viene utilizzata, poi ovviamente, per fare il latte, in ultima analisi, e perché, in Irlanda, il clima è molto inaffidabile. |
| |
Un giorno può piovere, il giorno dopo nevicare e il giorno dopo ancora splendere il sole, quindi da una prospettiva stagionale, ognuno dei colori delle barre qui rappresenta un anno diverso, quindi 2015, 16, 17, 18. |
| |
E devo aggiungere che si tratta solo dei fine settimana, e che per un verde si tratta di un totale di ordini del fine settimana. |
| |
Come potete vedere, gli anni 2016 e 2017 sono in qualche modo simili, in quanto hanno questa forma a m, mentre il 2018 è molto, molto diverso. |
| |
Ecco un esempio: ci siamo lanciati palle di neve a vicenda e sei settimane dopo c'è stata un'ondata di caldo, con il divieto di usare l'acqua con la pompa. |
| |
È davvero molto difficile utilizzare dati di stagionalità che dipendono effettivamente dalle condizioni meteorologiche all'interno dell'azienda, ma questa è una delle sfide che cerchiamo di superare. |
| |
Quindi, seguendo la tendenza... mantenendoci in linea con la tendenza, utilizziamo JMP anche per l'esplorazione non guidata da progetti. Ecco un esempio di una media mensile di 2.800 fornitori di latte |
| |
sia i risultati in termini di proteine che di grassi registrati dall'azienda in un periodo di due anni. Quindi ogni segno di spunta qui rappresenta, in questo caso, settembre 2018, ottobre 2018 e così via. |
| |
Quindi mostra l'intervallo di variazione esistente, sia all'interno che tra i nostri fornitori. E la cosa utile è che possiamo concentrarci e dire, in particolare per questo tizio, ad esempio, perché è così alto? |
| |
E ha costantemente alti livelli sia di grassi che di proteine. C'è qualcosa che possiamo imparare da questo fornitore che potremmo magari applicare ad altri fornitori? |
| |
Oppure, al contrario, ci sono altri fornitori nella fascia più bassa? |
| |
che potrebbero aver bisogno di un po' di supporto e di aiuto dai nostri consulenti del latte perché non riescono costantemente a ottenere i loro livelli di proteine e grassi nel latte |
| |
alto. Questi sono importanti, perché sono i parametri in base ai quali vengono pagati gli agricoltori, il livello di proteine e grassi. |
| |
Quindi in questo caso si è scoperto che questo tizio in particolare era uno dei pochissimi fornitori di latte che sceglie di mungere solo una volta al giorno. |
| |
Quindi, significa che i suoi livelli di grassi e proteine sono in realtà più alti rispetto a tutti gli altri, ma ha meno volume da restituire a Dairygold, ma questa è una sua scelta. |
| |
trame parallele. |
| |
E questi sono i miei preferiti al momento perché penso che mostrino così tante informazioni in un'unica pagina, contemporaneamente, per così tanti parametri diversi. |
| |
Si tratta di un problema che si sta verificando proprio ora, quindi è appena uscito di stampa e il problema non è ancora stato risolto. |
| |
Quindi quello che stiamo osservando qui è... è relativo ai blocchi intermittenti della polvere negli essiccatori a letto fluido e nei cicloni, |
| |
Il che significa sostanzialmente che la polvere sta bloccando gli essiccatori e i cicloni. E noi li chiamiamo strozzatori, quindi l'attrezzatura è strozzata e dobbiamo fermarla e pulirla. |
| |
Quindi quello che stiamo effettivamente osservando qui è |
| |
30 parametri diversi, tutti misurati su...tutti visualizzati qui sull'asse X. |
| |
E ciascuna delle linee che vanno da sinistra a destra rappresenta un minuto di tempo per le impostazioni di ciascuno di questi 30 parametri. Il rosso indica il |
| |
minuti che sono nell'ora prima che si verifichi lo strozzamento, quindi queste sono, queste sono le impostazioni del livello, se vuoi, per 60 |
| |
occorrenze...60 minuti prima che si verifichi qualsiasi soffocamento, e questo gruppo rosso qui rappresenta nove diverse occorrenze di soffocamento. |
| |
Ok, quindi qui sopra c'è tutto ciò che non è 540 filamenti, quindi questa è in pratica l'impronta digitale di ciò che accade, appena prima che si verifichi uno strozzamento. |
| |
E quando... quello che stiamo cercando di fare è confrontare questo con i tipici scenari di produzione operativa normale dal punto di vista dei parametri della macchina. |
| |
Ed è davvero bello, perché puoi vedere come si confrontano, e ancora meglio quando puoi sovrapporli uno sopra l'altro, e io ho... il no choke è fantasma sullo sfondo. Quindi ora la cosa interessante è che possiamo effettivamente vedere |
| |
in che modo lo scenario di soffocamento differisce da quello di assenza di soffocamento e capire cosa sta succedendo. Ad esempio, una domanda che viene esplorata in questo momento è: |
| |
Sai, sembra che abbiamo livelli più bassi di qualsiasi cosa sia... pressione differenziale. |
| |
E nella maggior parte dei casi, quando si verifica un soffocamento, è questo un potenziale fattore contribuente a cui dovremmo prestare attenzione? È qualcosa che lo sta causando? Perché il tipico ordine operativo |
| |
Anche qui i parametri di pressione differenziale sono elevati quando le cose vanno bene. Quindi, ancora una volta, solo un esempio. |
| |
Utilizziamo i dati GPS per visualizzare modelli e tendenze nella localizzazione dei fornitori: quello che stiamo osservando qui sono i livelli di proteine a dicembre e in tutta la regione di Munster, dove si trovano tutti i nostri fornitori. Ogni punto qui rappresenta la posizione di un fornitore all'interno dell'azienda. |
| |
La dimensione del punto rappresenta il volume di latte che il fornitore fornisce a Dairygold, quindi più grande è il punto, più grande è in realtà l'azienda agricola. |
| |
E qui c'è una scala divergente, dove ci aspettiamo che il volume... mi dispiace, i livelli proteici dovrebbero essere 3,5, quindi siamo meno interessati a questo e questo è evidenziato in grigio. |
| |
Ma tutto ciò che è maggiore di 3,5 è in verde, quindi... sono i ragazzi che stanno andando davvero bene, e in rosso ci sono i fornitori che forse, |
| |
Scusate, forse stanno facendo un po' fatica ad aumentare i livelli di proteine. Quindi è qui che possiamo usare i nostri dati per contattare i fornitori e vedere se potrebbero aver bisogno del supporto dei nostri consulenti del latte e possiamo aiutarli, il che è molto utile. |
| |
Rimanendo sull'elemento geografico, siamo stati in grado di sfatare anche alcuni vecchi miti. Quindi questi sono i |
| |
discussioni che potrebbero aver luogo al distributore d'acqua, in cui qualcuno direbbe che questa cosa, NPN, è sicuramente influenzata geograficamente. |
| |
La NPN è una cosa abbastanza difficile da spiegare, quindi userò l'analogia di una pinta, una pinta di birra se preferisci. In realtà, credo che sia più simile a un bicchiere. |
| |
E quindi, come tutti sanno, il latte contiene proteine, grassi, lattosio, minerali e vitamine. Queste sono cose buone. |
| |
E, ma ci sono anche molte altre cose al suo interno, e se consideriamo le proteine nel loro complesso, possiamo considerare l'intera pinta come proteina che otteniamo nel latte dagli agricoltori. |
| |
Ma questa proteina può essere scomposta nella vera proteina, che è sostanzialmente la parte liquida della bevanda. |
| |
Ed è questa parte che possiamo effettivamente utilizzare nel nostro processo di produzione. La parte superiore della pinta, quella schiumosa, è l'altra parte, quindi l'urea e l'acido urico, e così via. |
| |
Anche se paghiamo i nostri fornitori per tutte le proteine, purtroppo non possiamo utilizzarle tutte nel nostro processo, quindi possiamo usare solo questa parte, la parte vera, o come la vera proteina. |
| |
Quindi, a seconda del processo, può accadere che se abbiamo livelli più alti o più bassi di NPN, azoto non proteico, in un dato momento dell'anno, |
| |
allora potrebbe essere meglio indirizzare quel prodotto verso un sito particolare |
| |
ora su un altro sito, quindi potremmo essere strategici. E la domanda è sempre stata, sai, scommetto che in un particolare periodo dell'anno, la posizione geografica avrà un impatto sui livelli di azoto non proteico in tutto il |
| |
le posizioni geografiche. E quello che vedete qui sono dati provenienti da 284.000 punti dati, quindi 284.000 misure di NPN, |
| |
azoto non proteico, per un anno intero, in sei diverse regioni del Munster, nell'Irlanda meridionale. |
| |
Le linee qui rappresentano le medie e le differenze nelle medie che esistono da un mese all'altro, ma anche le medie che differiscono in base al colore da una regione all'altra. |
| |
I box plot qui rappresentano la quantità di variazione che esiste all'interno e tra, ancora una volta, ciascuna delle regioni, quindi chiaramente, puoi vedere che le medie seguono |
| |
insieme in modo armonioso per ogni regione e anche ogni volta che la quantità di variazione si riduce, |
| |
diciamo che a luglio sembra ridursi in tutte le regioni, fatta eccezione forse per una leggera anomalia per Tipperary, in questo caso. |
| |
Ma nella maggior parte dei casi, quando la variazione aumenta anche in una regione, aumenta in tutte le regioni. |
| |
Quindi non possiamo più... non abbiamo più bisogno di parlare del potenziale di questo, di quello e di quell'altro. Siamo in grado di dimostrare e confutare le teorie molto rapidamente anche con i nostri dati. |
| |
Ogni cinque anni inviamo il censimento della linea mediana ai nostri fornitori di miscele, che ci aiuta a comprendere le intenzioni future in termini di volume e le sfide che i fornitori potrebbero incontrare nelle loro aziende agricole. |
| |
E fornisce un'indicazione del sentiment da parte dei nostri membri, sia dal punto di vista aziendale che da quello degli investimenti. |
| |
Di recente abbiamo inviato oltre 100 domande a ciascuno dei nostri 2.800 fornitori e, in questo caso, la domanda che abbiamo posto era: quali sono i fattori che limitano la crescita nella vostra azienda agricola? |
| |
E ai partecipanti sono state date nove opzioni, quindi in questo caso, fattori da uno a nove. Quindi è stato chiesto loro di classificare i fattori presentati in ordine di importanza maggiore o minore, quindi da uno a nove. Quindi, come potete immaginare, si ottengono 2.800 risultati. |
| |
da ciascun fornitore, ma ogni risultato ha un punteggio da uno a nove e alcuni di loro non hanno sempre ottenuto un punteggio da uno a nove, potrebbero aver fatto solo i primi tre, altri forse i primi cinque o i primi sette o qualsiasi altra cosa. |
| |
La domanda è quindi: come si possono rappresentare al meglio tutti quei dati, quei 25.000 punti dati, in un'immagine chiara che rappresenti l'intera comunità agricola che riporta a Dairygold, per così dire? |
| |
E i risultati sono... quindi la risposta è semplicemente un mosaico. Potete vedere qui, si spera, molto chiaramente che il 48,8% degli intervistati, tra i nostri fornitori, ha classificato il Fattore 4 come il più significativo. |
| |
fattore limitante all'espansione delle loro aziende agricole. Segue poi il Fattore 5, dove il 19% ha votato come numero uno più significativo e il 23% ha votato |
| |
come numero due. Procedendo da sinistra a destra, si possono nuovamente vedere i fattori più importanti per gli agricoltori. |
| |
Quindi il colore è davvero importante qui e sto proseguendo con quel team qui con mappe di calore stratificate, ancora una volta, per una parte molto diversa |
| |
Ordini al dettaglio. Quindi in questo caso stiamo esaminando il numero di ordini effettuati in base all'ora del giorno solo nei fine settimana |
| |
per alimentare i nostri negozi. Quindi questo vale per venerdì, sabato e domenica per ciascuno dei quattro anni dal 2015 al 2018. |
| |
E per l'ora del giorno in cui vengono inviati gli ordini. Ora gli ordini possono essere inviati dagli agricoltori tramite app e...o |
| |
possono suonare nell'ordine. Ma puoi vedere chiaramente qui il venerdì, sai, quando il primo |
| |
Le mucche vengono munte, alcuni allevatori escono e, alle cinque del mattino, dicono: "Ok, ho bisogno di più mangime". Farò un ordine automaticamente nell'app. |
| |
E ancora, potrebbe succedere di nuovo, magari verso mezzogiorno e dipende dall'orario di mungitura della mandria, e così via. Ma il valore qui è che possiamo |
| |
capire quali sono i momenti più impegnativi del fine settimana per ricevere gli ordini e quando gli ordini devono essere elaborati, e può consentirci di capire |
| |
come avere livelli di personale efficaci durante il fine settimana, quindi non ha senso avere lo stesso numero di persone la domenica come il venerdì. Forse di più |
| |
Bisognerebbe concentrare l'attenzione sulla spesa... e concentrare maggiormente il personale sulla gestione degli ordini il venerdì e magari anche il sabato mattina presto. In questo modo, i livelli di personale nei nostri negozi sarebbero molto più efficaci. |
| |
Ancora una volta, mantenendo il tema del colore e, come sappiamo, analisi sofisticate, ma come avrete notato ci arriveremo tra poco, |
| |
ma restando sul tema del colore, quello che state guardando qui è il risultato in cui abbiamo rappresentato graficamente un grande letto di formaggio. |
| |
Quindi, quando dico grande, intendo probabilmente 25 metri di lunghezza e due metri di larghezza. A questo punto, tutta la cagliata è stata scolata dal siero, e poi questo letto di formaggio viene schiacciato e tagliato in 70 strisce. |
| |
Quindi le strisce vengono tagliate in cinque blocchi e quello che abbiamo fatto è stato misurare l'altezza dei blocchi a sinistra, al centro e sul lato destro. |
| |
Quello che stiamo cercando di fare è ottenere un indicatore dell'altezza del letto di formaggio per questa enorme fetta di formaggio. |
| |
Una volta che siamo riusciti a farlo, abbiamo potuto ottenere un'immagine molto precisa di ciò che stava realmente accadendo e, usando il colore come guida, anche della larghezza del nostro letto di formaggio. |
| |
Quindi, chiaramente il rosso indica più in alto, il verde indica un po' più in basso e qui stiamo misurando in millimetri, quindi sono da 120 millimetri a 155 millimetri. |
| |
Chiaramente, puoi vedere qui che c'è un po' di pendenza quando vai dall'angolo in alto a sinistra |
| |
lato, dove le altezze sono maggiori verso il basso, verso il lato sinistro e anche verso il lato inferiore sinistro, dove il letto sta effettivamente cadendo. |
| |
Quindi questo è davvero importante per noi perché, da una prospettiva di variabilità, quello che stiamo cercando di capire è se c'è una differenza... perché c'è una differenza nei blocchi... |
| |
nel peso dei blocchi destinati al nostro processo? Questo indica praticamente uno dei motivi. E uno dei motivi è che se l'altezza dei blocchi sarà diversa, |
| |
allora la logica suggerirebbe che anche il peso dei blocchi sarà diverso se il formaggio è stato compresso alla stessa...stessa forza. |
| |
Quindi, ancora una volta, è più facile per le persone capirlo attraverso le immagini, soprattutto se non sono molto esperte nell'aspetto analitico del business. |
| |
Entrando più nel dettaglio dell'analisi, suppongo, guarda, abbiamo utilizzato molto il controllo statistico dei processi in tutte le aziende e per, |
| |
Sai, cercare opportunità e verificare i miglioramenti. Qui stiamo esaminando l'utilizzo di anidride carbonica e la utilizziamo in loco nei nostri prodotti e in particolare nelle nostre polveri, |
| |
quando insacchettamo le polveri per prolungare la durata di conservazione dei prodotti, una pratica standard nel settore. |
| |
Quindi espelliamo l'aria e aggiungiamo anidride carbonica quando riempiamo i sacchetti e, come puoi vedere qui, poi sigilliamo i sacchetti, ma come puoi vedere qui, abbiamo avuto molte variazioni, in particolare nel 2017. |
| |
E siamo stati in grado di tenere sotto controllo quel processo e siamo stati in grado di garantire che entro il 2018 la vita fosse molto, molto diversa e |
| |
dove il nostro consumo medio di anidride carbonica è significativamente ridotto. Abbiamo ancora alcune sfide e forse anche qui sta emergendo un modello che merita un'indagine, ma |
| |
ci sono anche dei vantaggi a catena in questo tipo di cose, perché finché...oltre a tenere sotto controllo il nostro processo e a essere stati in grado di dimostrarlo statisticamente, siamo anche in grado di creare alcuni |
| |
studi per valutare efficacemente anche il tasso di assorbimento dell'anidride carbonica nelle nostre polveri. |
| |
Quindi, e questo è davvero importante, perché se possiamo capire come il nostro prodotto assorbe l'anidride carbonica, allora si ottengono altri vantaggi, uno dei quali è |
| |
quando il grasso assorbe l'anidride carbonica in un sacchetto, crea un vuoto all'interno di questo sacchetto sigillato, quindi quando crea un vuoto |
| |
il sacchetto inizia a sigillarsi attorno alla polvere e diventa molto più rigido. |
| |
Quindi ora, dal punto di vista della catena di fornitura, i rischi si riducono e la vita diventa più semplice quando possiamo impilare questi sacchi su pallet per il trasporto e la spedizione perché. |
| |
Ora è come se stessimo impilando blocchi di cemento, invece di cercare di impilare cuscini morbidi, soffici e flessibili. Quindi è una vittoria per tutti. Abbiamo |
| |
usato e non sono sicuramente un programmatore, ma abbiamo sicuramente contattato e ricevuto molto aiuto dal gruppo di utenti irlandesi |
| |
e alla comunità JMP... E in effetti, sapete cosa? Vorrei segnalare in particolare Troy Hickey di Intel, che è stato molto utile nell'aiutarci con il gruppo di utenti irlandesi. |
| |
Nella comunità JMP, è fantastico quando ti rivolgi a noi e fai una domanda, in un'area in cui forse stai cercando un po' di chiarezza |
| |
o magari un'area di cui non sai nulla, e per ottenere una risposta da persone di cui non hai mai sentito parlare, un esperto risponde in modo eccellente. |
| |
Quindi in questo caso, siamo stati in grado di creare del codice usando un po' di JSL e siamo stati in grado di creare questo e un grafico di controllo |
| |
formato, se preferisci, che è in formato a schede. Quindi, in questo caso, per latte scremato in polvere, latte intero in polvere, siero di latte demineralizzato in polvere e caseina per misurare le proteine |
| |
Test nei nostri laboratori. Al momento stiamo monitorando circa 30 test diversi e stiamo monitorando la differenza tra gli standard e la chimica umida. |
| |
quotidianamente, e anche la differenza che esiste tra metodi manuali e metodi nel vicino infrarosso, quindi metodi automatizzati. |
| |
E vogliamo garantire, ad esempio, se stiamo esaminando gli standard sulla chimica umida, vogliamo puntare a un obiettivo pari a zero. Non vogliamo che ci sia alcuna differenza tra i risultati che testiamo in laboratorio e ciò che... |
| |
lo standard dice che dovrebbe esserlo. Quindi vogliamo un obiettivo pari a zero e questo ci mostra che, in questo caso, dove siamo usciti per |
| |
proteine, su siero di latte in polvere demineralizzato, siamo leggermente fuori; siamo .04 e possiamo tenere traccia del profilo del nostro processo e possiamo ottenere |
| |
il processo per segnalarci che si è verificato un cambiamento di processo. Quindi nove dati... almeno nove punti dati consecutivi sopra la media, in questo caso. |
| |
E sappiamo, quindi, che dobbiamo fermare il processo e non continuare più, perché dobbiamo indagare e mettere in atto qualcosa per rettificare... rettificare il problema, il cambiamento di processo in questo caso. |
| |
Quindi questo è stato estremamente positivo per noi e siamo in una fase in cui ora abbiamo questa configurazione e funziona ogni singolo giorno, e nonostante ci sia, |
| |
sai, centinaia e centinaia di centinaia, migliaia, anche a questo punto di punti dati, lo script è impostato in modo da mostrare solo gli ultimi 42 punti dati, che sono i dati dell'ultima settimana in qualsiasi momento, anche se i limiti di controllo sono impostati su |
| |
sulla base dei dati precedenti nel processo. Quindi è davvero bello contattare la comunità JMP qui. In termini di |
| |
gli orari di arrivo dei camion nell'azienda, quindi in questo caso abbiamo 54.000 autocisterne che arrivano in quattro siti diversi, da mezzanotte a mezzanotte. |
| |
Ed è davvero utile per darci un'idea delle diverse distribuzioni esistenti, a partire dai tempi di consegna ai siti. E questo è importante per noi, perché non vogliamo... vogliamo che un'autocisterna arrivi al sito. |
| |
e scaricare il latte e lasciare il sito il più velocemente possibile. Non vogliamo che si verifichi il caso in cui abbiamo |
| |
Un sacco di raggruppamenti e magari in un cantiere, come in questo caso, dove ci sono camion allineati dietro altri camion. Vogliamo che ci sia un flusso fluido, per tutto il processo. |
| |
E qui, potete vedere come esempio, dalle otto del mattino alle nove, |
| |
Ecco, è lì che, sai, la gente probabilmente va a fare colazione. Il nostro traffico è più intenso e non ci sono molte consegne nei siti, e lo stesso vale per qui, il traffico è più intenso la sera. |
| |
e i camion sono fermi o sono fuori per... gli autisti sono fuori per cena e così via. Quindi siamo in grado di scavare un po' più a fondo e dire ok per ciascuno dei diversi siti, quindi due siti, in questo caso Clonmel Road e Castlefarm, |
| |
per le strade in arrivo, e questi siti sono davvero vicini tra loro, per le strade in arrivo in direzione nord, sud, est e ovest, |
| |
che aspetto ha e abbiamo una distribuzione chiara tra i dati che vogliamo o |
| |
Ad esempio, ci sono alcuni trasportatori che non effettuano consegne nell'arco delle 24 ore da est? E possiamo capire cosa sta succedendo e possiamo anche prendere queste informazioni, |
| |
e diciamo, ok da un tasso di scarico della pompa, perché in questo caso abbiamo due siti che hanno 11 pompe che stanno scaricando |
| |
oltre mezzo miliardo di litri all'anno distribuiti in due siti. |
| |
Vogliamo cercare di capire quali pompe sono più o meno efficienti di altre. E, chiaramente, possiamo vedere qui che ci sono quattro pompe che hanno una portata di scarico più elevata, |
| |
quindi sono in grado di estrarre più velocemente e più latte nello stesso lasso di tempo rispetto ad altri tiralatte. E puoi vedere qui che |
| |
Nel Sito 2, la Pompa numero 3 è la più efficiente, mentre nel complesso la Pompa 4 e la Pompa 3 sono le meno efficienti. Quindi, se dovessimo effettuare una revisione di manutenzione, sapremmo che queste sono le pompe che devono essere revisionate per prime. |
| |
Utilizziamo JMP per valutare i sistemi di misurazione sia per l'eccellenza che per le opportunità, e lo facciamo, sai, |
| |
così tante volte che non riesco nemmeno più a tenere il conto. In questo caso, guardando gli ortofosfati (?), e sai, è un R&R standard e i risultati sono davvero buoni. Quindi... |
| |
19 numero di categorie distinte; 19 è eccellente e Gauge R&R è .5, quindi meno di 10 è l'ideale e significa semplicemente che sai che abbiamo davvero buoni |
| |
sistemi di misurazione costantemente affidabili. E indipendentemente dal componente che consegnerai a un analista, quest'ultimo ti darà sempre lo stesso risultato. |
| |
Quindi la persona che esegue il test non influenza i risultati dei test, che è ciò che si desidera sempre vedere. |
| |
A volte possiamo avere sistemi di misurazione soggettivi e dobbiamo anche effettuare un'analisi della concordanza degli attributi. |
| |
Quindi in questo caso stiamo esaminando le valutazioni visive dei prodotti confezionati e potresti cercare qualcosa come la rotondità o i bordi danneggiati o la goffratura |
| |
Leggibilità e così via. Quindi, dopo aver apportato i miglioramenti, potete vedere qui che abbiamo, sapete, un consenso tra i periti del 90-95%. |
| |
Nel complesso, come si può vedere, il livello di accordo è dell'82% in termini di numero di parti abbinate e concordate da |
| |
all'interno di ogni...all'interno e tra ogni operatore, ma probabilmente ancora più importante è l'efficacia, ovvero l'allineamento allo standard. |
| |
E possiamo vedere qui in seguito che la percentuale di conformità allo standard è ora del 96%, quindi è davvero un buon risultato. E ancora una volta, sapete che possiamo garantire che i nostri prodotti siano classificati in modo affidabile, anche quando i risultati sono soggettivi. |
| |
Ovviamente possiamo anche progettare esperimenti per quantificare l'effetto di vari fattori. In questo caso, stiamo esaminando il WPNI, ovvero l'indice di azoto delle proteine del siero del latte, che è un livello di misura. |
| |
denaturazione delle proteine nel nostro prodotto, quindi è un'indicazione del livello di trattamento termico che il prodotto ha ricevuto, e questo può essere, |
| |
mi scusi, questo può essere davvero importante perché il livello di trattamento termico può influenzare l'applicazione da |
| |
dal punto di vista del cliente. Quindi, se, diciamo, è stato applicato un livello sbagliato di trattamento termico, potrebbe significare che un cliente che volesse utilizzare il nostro prodotto per trasformarlo, ad esempio, in yogurt, |
| |
allora il prodotto non sarebbe adatto perché potrebbe lasciare una sensazione granulosa, una consistenza granulosa in bocca, o qualcosa del genere, quindi non è adatto per un prodotto come lo yogurt. |
| |
Quindi abbiamo avuto problemi con risultati incoerenti dell'indice di azoto delle proteine del siero del latte, e c'era una certa ambiguità notata nella nostra procedura, |
| |
in quanto era aperto all'interpretazione. Quindi potrebbe dire, sai, scuoti qualcosa, |
| |
agita questa fiala, sai, potrebbe semplicemente dire agitala, e qualcuno potrebbe dire, sì, la agito per cinque secondi, qualcun altro potrebbe dire, l'ho appena capovolta 10 volte, e qualcun altro direbbe, sì, agito vigorosamente per 30 secondi. |
| |
Quindi tutti, con le migliori intenzioni, seguivano la procedura, ma se la procedura è ambigua, allora è soggetta a interpretazioni e questo può portare anche a incoerenze. |
| |
Quindi quello che stiamo cercando di fare è progettare delle prove per comprendere i fattori che possono influenzare la variazione nel nostro processo. |
| |
Quindi qui abbiamo la soluzione di cloruro di sodio, ovvero una soluzione di acqua salata, preparata con una barra di partenza e senza barra di partenza. |
| |
La durata in un luogo caldo è di 45 o 60 minuti e poi usando quella soluzione qui per, e questo piccolo piano di prova qui, eravamo... la temperatura del bagno d'acqua è di 37 e 40 gradi, questa è una delle quattro soluzioni qui sopra codificate a colori. |
| |
E poi abbiamo fatto degli intervalli di agitazione nel bagno d'acqua e abbiamo usato anche un certo numero di gocce di quello che credo fosse acido cloridrico. |
| |
E ancora una volta possiamo usare l'esploratore interattivo per vedere quando abbiamo risultati WPNI bassi, cosa sta succedendo con il processo. Un po' |
| |
è più difficile capire cosa sta succedendo qui, quindi ovviamente dobbiamo andare un po' oltre e iniziare a costruire alcuni modelli e capire cosa sta succedendo. |
| |
I modelli sono piuttosto buoni in termini di punti di forza di cui stiamo parlando, R quadrato è solo al 68% circa. |
| |
E possiamo vedere subito che gli effetti principali qui sono la temperatura del bagno d'acqua, seguita dalla durata della barra di agitazione e dall'effetto di interazione con la piastra riscaldante. |
| |
E possiamo vedere anche l'effetto, quale parametro sta tirando...quale effetto sta tirando |
| |
e anche in quale direzione si sta muovendo il processo. E qui in basso abbiamo anche il prezioso profiler di previsione. Possiamo esplorare cosa sta succedendo. |
| |
Ciò che mi piace, oltre al fatto che a volte puoi usare l'output, beh, a volte uso l'output di alcuni di questi esperimenti per... da una prospettiva educativa. |
| |
Quindi, ho parlato prima del fatto che la barra di agitazione e la durata sulla piastra riscaldante sono fattori importanti, e questo è un effetto di interazione, cioè quando l'effetto di un fattore dipende dall'impostazione del livello di un altro. |
| |
Ma puoi, sai, puoi provare a spiegare a qualcuno su una pagina l'effetto dell'interazione; abbiamo linee incrociate e linee incrociate significano che c'è |
| |
interazione forte, e se le linee sono parallele, ma sembrano sul punto di incrociarsi, si tratta di una piccola interazione. Oppure puoi effettivamente prendere i dati e tracciarli, |
| |
e in questo caso, molte persone non hanno ancora visto come si presenta un'interazione tra due fattori, e questo è come si presenta un'interazione... un'interazione e può essere usata come... |
| |
Anche come strumento didattico. Quindi, nel nostro caso, abbiamo il risultato WPNI qui sul nostro asse y, scusate, sì, sul nostro asse y, |
| |
durata sulla piastra riscaldante di 45 minuti e 60 minuti, quindi se restiamo a 45 minuti, dove non abbiamo una barra di agitazione e se cambiamo... restiamo a 45 minuti e passiamo a una barra di agitazione, possiamo vedere che siamo saltati da questo livello a questo livello. |
| |
Mentre quando andiamo con 60 minuti, siamo... il livello WPNI è qui, senza barra di agitazione e passiamo a una barra di agitazione, possiamo vedere che salta giù. Quindi |
| |
il salto non è così grande come qui, ma subito si vede che l'interazione che influenza la barra di agitazione e la durata sulla piastra riscaldante è piuttosto grande. |
| |
Ed è proprio questo che emerge, ancora una volta, come una grande conoscenza e comprensione del processo. Possiamo usare anche alcuni strumenti di classificazione, in questo caso gli alberi decisionali, per cercare di comprendere. |
| |
Quindi questa è una domanda da parte del reparto R&D in relazione alla doratura del formaggio e, come sembra, è correlata alla doratura del formaggio. |
| |
In un forno, quando il calore viene applicato un po', come sulle pizze. Quindi non vogliamo che il formaggio bruci troppo presto, quindi se su una pizza c'è del formaggio cheddar, non vogliamo che bruci troppo presto. |
| |
Vogliamo che abbia un po' di vita e che la ricetta venga cucinata. Quindi, di nuovo, ecco un esempio di classificazione, scusate, un albero decisionale, dove stiamo osservando |
| |
tre diversi livelli, se preferisci, doratura chiara, media e scura rappresentata dall'albero, il colore è verde, |
| |
rispettivamente ambra e rosso. E possiamo vedere che il pH durante la corsa è il fattore più importante qui, in particolare, se il pH durante la corsa è maggiore di 6,48, |
| |
allora possiamo vedere che il 99,3% del nostro processo avrà, sapete, una leggera doratura, che è ciò che vogliamo. Il verde è buono, il rosso è cattivo. Allo stesso modo, sappiamo che siamo a rischio se il nostro pH è inferiore a 6,48 e abbiamo... |
| |
e prendiamo i nostri campioni, quindi il formaggio nel nostro blocco, nel nostro blocco letteralmente da 20 kg, viene preso da un angolo, quindi sappiamo che abbiamo una probabilità del 31% di ottenere |
| |
imbrunimento scuro, quindi non andrà bene. Quindi da questa prospettiva, e possiamo vedere che la dimensione del |
| |
conteggi che indicano il numero di oggetti che causano anche questo, e anche in termini di terminazione dei nodi foglia sull'albero. Quindi puoi ottenere |
| |
una buona idea di cosa sta succedendo nel tuo processo, in termini di fattori importanti che separano meglio, in questo caso, la classificazione dell'imbrunimento. |
| |
E qui parlo di foresta bootstrap nascosta perché, come sapete, penso che questo sia uno strumento sottoutilizzato all'interno di JMP e... se capisci cosa fa un albero decisionale e come funziona, capirai che è uno strumento piuttosto potente. |
| |
E non sono sicuro, se devo essere onesto, non sono sicuro se l'algoritmo utilizzato per gli alberi decisionali, sia esso un dicotomizzatore iterativo o |
| |
C 4.5 o 5.0 o qualunque cosa sia, ma quello che so è che lo screening del predittore utilizza l'algoritmo dell'albero decisionale in background e utilizza la foresta bootstrap, che è |
| |
campionamento con sostituzione, per creare un gruppo di questi alberi e unirli tutti insieme e poi darvi i risultati medi, se volete, degli alberi. Quindi in questo caso, sottolineando che, e questo è dal |
| |
esempio di grafico parallelo precedente per i 30 diversi parametri della macchina, in questo caso, si nota che in realtà ce ne sono 31, |
| |
perché quando sono tornato dal team e ho detto che c'è qualcosa di diverso nella pressione dell'aria dell'ugello e che sembra essere un fattore importante e lo screening dei predittori me lo dice. |
| |
Una mano si alzò in fondo alla stanza e dissero in realtà: |
| |
di tutti i parametri, probabilmente non era quello che avrebbe dovuto esserci perché non è un vero parametro della macchina, lo abbiamo semplicemente inserito noi stessi per vedere se saltava fuori qualcosa. |
| |
E infatti è proprio questo che salta all'occhio, quindi è stato necessario toglierlo e valutarlo separatamente. |
| |
In termini di, e ci sono quasi, in termini di presentazione, quindi in termini di loro |
| |
Utilizzando modelli per prevedere le prestazioni future, è qui che passiamo dalle intuizioni alla previsione. |
| |
Ed è qui che abbiamo creato un modello piuttosto valido, con un'efficacia del 76%, basato su 1.438 osservazioni. |
| |
La domanda era: possiamo creare uno strumento che ci aiuti a prevedere sia il numero di ordini che arrivano all'azienda in qualsiasi giorno della settimana, in qualsiasi settimana dell'anno e |
| |
prevedere anche il numero di ordini che riceveremo...scusa, prevedere anche le quantità di ordini che riceveremo quello stesso giorno? |
| |
Siamo quindi riusciti a prendere tutti i dati storici e a utilizzare il profiler di previsione per selezionare quale anno, dal punto di vista della stagionalità, è più comune a ciò che si sta cercando di prevedere. |
| |
Quindi vai al mese applicabile, alla data che preferisci e al giorno della settimana, quindi determina se è un giorno festivo o meno. |
| |
E puoi vedere qui, ho impostato due impostazioni diverse. Una è per quando abbiamo un giorno festivo, una per quando non ce l'abbiamo, e puoi vedere che c'è una differenza significativa |
| |
effetto di interazione anche qui tra giorno festivo e giorno della settimana. Quindi possiamo tornare al discorso aziendale su |
| |
in qualunque giorno della settimana, il 26 ottobre 2019, che è un giovedì e non un fine settimana festivo, ci si aspetta che arrivino 120 ordini, il che equivarrà anche a poco meno di 1.100 tonnellate di prodotto in arrivo. |
| |
Quindi, in realtà, abbiamo eseguito il test per due weekend, uno in cui c'era un giorno festivo e uno senza, e il risultato è stato dell'85%, il che è davvero buono. Quindi, anche se il modello era del 76%, nella realtà ha dato risultati piuttosto buoni. |
| |
Poi dall'intuizione alla lungimiranza, dove stiamo di nuovo guardando...cercando di tenere conto della veridicità della stagione, |
| |
Abbiamo anni diversi qui, rappresentati da colori diversi, quindi 2015, 16, 17, 18 e così via. E stiamo guardando un numero...alcuni degli ordini di quantità di mangime in arrivo |
| |
l'attività. Ogni punto rappresenta una quantità di ordine settimanale e ciò che ho esagerato qui è che ho sovrapposto il modello previsto effettivo, in modo che il valore previsto |
| |
ciascuna di quelle settimane. E puoi vedere come il modello è in termini di accuratezza rispetto ai dati effettivi, quindi effettivi rispetto a quelli previsti. |
| |
E poi poter usare, e se devo essere onesto non ricordo... era o la previsione esponenziale stagionale o il nostro ARIMA stagionale, |
| |
media mobile metrica stagionale ??? per determinare come saranno i prossimi sei mesi. |
| |
E ancora una volta, sono estremamente preziosi per la nostra attività, dove la stagionalità è una sfida, e possiamo usare questi strumenti con un alto grado di sicurezza per capire quale livello di ordini possiamo aspettarci dall'attività in futuro. |
| |
E infine, e suppongo un po' forzato per noi, perché non abbiamo mai approfondito l'argomento prima, parliamo delle reti neurali. Quindi, in questo caso, usiamo le reti neurali come prova per capire se possiamo classificare i sedimenti nel nostro processo. Quindi, se abbiamo i risultati dell'ADPI, questo è... |
| |
una piattaforma di sedimenti e stiamo osservando una quantità di particelle potenzialmente bruciate, forse a causa di un processo di essiccazione o qualcosa del genere, e dove siamo? È un livello A, B, C o D? |
| |
Qui il risultato del setaccio rappresenta il numero di particelle rimaste nel setaccio e il risultato del tamburo T1B1 rappresenta la parte superiore e inferiore. |
| |
T1 rappresenta il numero di particelle che potrebbero galleggiare sulla superficie dell'acqua e B potrebbe rappresentare il numero di particelle sul fondo, ovvero il sedimento che è affondato sul fondo. |
| |
E ancora una volta usandolo nella rete neurale qui e con la convalida incrociata K fold, quindi penso che K sia stato impostato a 10. Ne abbiamo nove |
| |
Anche qui, credo, funzioni di attivazione. Sì, iperbolica... lineare, gaussiana e, credo, anche tangente iperbolica. |
| |
E possiamo usare ciascuno di questi |
| |
nodi di ingresso per alimentare la nostra funzione di attivazione, e poi abbiamo anche il nostro livello di output, che ci ha fornito il risultato finale. Quindi siamo in grado di utilizzare, |
| |
in questo caso, 6.245 risultati a |
| |
Addestriamo il nostro modello e poi, una volta convalidato anche tramite la convalida incrociata, possiamo creare la nostra matrice di confusione qui, il che è abbastanza buono. Voglio dire, non abbiamo così tanti valori in A1/A2. |
| |
fino ai gradi B, come facciamo per A1, ma in un certo senso ci mostra che, sai, se abbiamo un grado A2 |
| |
che avevamo previsto che 35 di loro sarebbero stati un vero due e solo due sarebbero stati A1. quindi potrebbe esserci qualche errore e l'errore può derivare da come era stato realizzato il modello, |
| |
sai, inizialmente creato da classificatori che cercavano manualmente di valutare la differenza che esiste in ciascuno di questi se e quando |
| |
Si verifica una certa ambiguità nei risultati e poi si cerca di fare una scelta definitiva. Quindi suppongo che la domanda qui sia: possiamo far sì che una macchina preveda quale sarà la scelta definitiva con un buon grado di accuratezza? |
| |
E ancora, ci aspetteremmo che la probabilità di ottenere un voto assegnato come A1 qui, ci aspetteremmo che fosse piuttosto alta se il risultato del tumbler fosse stato T1B1, quasi nessun galleggiante o affondatore |
| |
e se anche i risultati del setaccio fossero piuttosto bassi, in termini di quantità di particelle, ci aspetteremmo di avere i nostri risultati qui per A1. |
| |
Il fatto che qui vediamo A1 potrebbe indicare che l'addestramento del modello non è stato efficace come avrebbe potuto essere e che potrebbero esserci stati degli errori nel modello. |
| |
E ancora, puoi vedere che un modello molto...abbastanza complesso è stato creato qui |
| |
Per questo, ma sai, è un po' una scatola nera, come credo sappiamo tutti dal punto di vista delle reti neurali. Ma ripeto, immagino che ci serva un'enorme quantità di conoscenza dei processi e di prove di concetto, ora che ci stiamo avvicinando all'intero ambito dell'apprendimento automatico e dell'intelligenza artificiale. |
| |
Quindi so di aver criticato molto la gente, ed è stato abbastanza frettoloso, e potrei probabilmente parlare per ore su tutta la faccenda e scusarmi... scusatemi se è sembrato tutto frettoloso, ma quello che direi è solo da una prospettiva di pensieri conclusivi, |
| |
Penso che sia stato dimostrato che, indipendentemente dal settore in cui operi, anche se nel settore agricolo, che è molto lontano dal tipico ambiente di analisi dei dati, in qualsiasi settore puoi usare |
| |
analisi dei dati per aggiungere un valore significativo all'azienda e puoi raggiungere e aiutare quasi ogni parte dell'azienda. |
| |
Inoltre, direi di non sottovalutare il valore della semplice analisi grafica. Solo a metà di questa presentazione abbiamo iniziato a introdurre alcune delle analisi più potenti integrate in JMP e |
| |
Penso che sia fantastico sapere come usare tutti gli strumenti più sofisticati e che ci sia un momento e un luogo per farlo, ma, sai, anche la semplicità può essere molto potente, e non sottovalutarne il valore. |
| |
A parte questo, vorrei ringraziarvi tutti per l'ascolto. Lo apprezzo molto e se avete domande o commenti, sono più che benvenuti. Grazie. |
