756671_ja-JP

liliconcom

デイリーゴールドにおけるデータの搾取：棒グラフからニューラルネットワークまで（2021-EU-30MP-735）

Kieran O'Mahony、Dairygold、データサイエンス＆アナリティクス マネージャー

現代社会において、データ分析の活用は、一般的に金融、ヘルスケア、製薬、医療機器、半導体、eコマースといった業界と結び付けられています。農業と分析という言葉が同列に使われることは稀です。本セッションでは、伝統と歴史に深く根ざしたある企業が、データ分析の活用をどのように受け入れ、推進してきたのか、そして「データは豊富だが情報は乏しい」という企業イメージを払拭してきたのか、その過程を詳しく解説します。また、JMPの活用によってDairygold社全体でデータドリブンな意思決定がどのように実現されたのか、複数の事例を紹介します。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
キーラン・オマホニー	はい、どうもありがとうございます。私の名前は Kieran O'Mahony で、アイルランドの Dairygold でデータ サイエンスおよび分析マネージャーを務めています。
	私のプレゼンテーションのタイトルは、「Dairygold でのデータの搾取 - 棒グラフからニューラル ネットワークまで」です。
	したがって、データ分析の使用は、一般的に金融やヘルスケア、製薬、半導体などの業界とより関連付けられており、「農業」と「分析」という言葉が同じ文に出てくることはおそらくまれであると言っても過言ではないと思います。
	したがって、このセッションの目的は、非常に伝統的な企業がどのようにしてビジネス全体で分析の使用を取り入れ、促進してきたかについての洞察を提供することです。
	このセッションは、ディスカバリーで開催される他のセッションとは違ったものになるでしょう。私がここでやろうとしているのは、1つのプロジェクトに焦点を当てるのではなく、複数の例を示して、どのように
	Dairygold は、JMP を使用して、製造だけでなく、ビジネス全体でよりデータに基づいた意思決定を可能にしました。これは重要なことだと私は思います。
	それで、始める前に、このビジネスの背景、概要、そして私たちが何をしているのかを少し説明することが重要だと思います。
	デイリーゴールドは、ゴールデンバレーの中心部に位置する最先端のチーズおよび栄養パウダー製造施設を備えた、アイルランドを代表する農家所有の協同組合です。
	分かりました。説明させていただきますと、協同組合として私たちは基本的に、牛乳の供給業者、つまり農家によって所有されているということです。
	当社には毎日牛乳を供給している 2,800 社の牛乳供給業者がおり、その全員が株主です。つまり、原材料供給業者が事業の所有者でもあるという意味で、このビジネス モデルは少し変わっています。
	昨年の売上高は12億ユーロで、従業員は約1,200人、年間約14億リットルの牛乳を加工しています。毎日かなりの量の牛乳を扱っています。
	当社は季節的な事業を営んでいるため、生産がピークとなる時期には、毎日600万リットル以上の牛乳が生産現場に届きます。
	ハンマーから家電製品、農機具まで、あらゆる商品を販売する小売店もございます。また、工場で家畜飼料を生産する農業事業も展開しております。
	デイリーゴールドは長い歴史があり、1908年にバリークロフとして始まり、1919年にミッチェルズタウンとなり、1990年にデイリーゴールドになりました。
	そして、私たちはおそらく...いや、おそらくではないが...牛乳が馬車で配達されていた何年も前から、私たちは長い道のりを歩んできたと言ってもいいだろう。
	これは非常に伝統的な組織であり、長い歴史を持っていますが、非常に進歩的な組織でもあります。
	我々は長い道のりを歩んできたと申し上げると、ご存知の通り、現在我々はタンカー船団を擁する大規模なサプライチェーンを有しており、各タンカーは
	ここに例があります。各タンカーは約26,000リットルの牛乳を輸送し、私たちは2,800の供給業者から毎日牛乳を集めています。これは非常に複雑なサプライチェーンです。
	私たちはサプライヤーから牛乳を集めるだけでなく、自動的に指示していない場合はチーズ加工工場からホエーも集めています。
	パイプを通って別の場所に送られます。そのため、タンクローリーにも回収し、他の場所に輸送しています。
	また、他の顧客に販売する脱脂乳濃縮物や脱塩ホエイ濃縮物についても同様の事業を行っており、さらに粉末製品やチーズ製品の販売も行っています。
	私たちはヨーロッパ最大級の乾燥機もいくつか所有しています。ここでは特に 5 階建てか 6 階建ての乾燥機が 1 台見られます。
	したがって、過去 5 ～ 6 年で、デイリーゴールドは工場全体で 4 億ドル以上を投資しました。
	ミルクプールの将来の量的拡大のニーズに応えることができます。私たちが製造する製品に関しては、
	粉ミルクやチーズ、主に全乳粉ミルクから脱脂粉ミルク、プロテインパウダー、そしてさまざまな種類のチーズ、特にチーズとチェダーチーズ。
	当社は、菓子類、ピザ、塩味食品、ヨーグルト、加工食品、さらには乳児用調合粉乳、つまりベビーフードまで、さまざまな分野に製品を供給しています。
	そして、今日何か食べたのなら、脱脂粉乳や全粉乳を摂取した可能性も高いでしょう。なぜなら、最近では多くの食品に粉乳が広く使われているからです。
	これがこのビジネスの背景です。データに関して言えば、データは豊富だが情報が乏しいとされる企業が世の中にはたくさんあると言っても過言ではないでしょう。
	また、データが増えるほど、それに伴う混乱も増えることもある、と言うのも公平なことです。
	そして、時には、たとえすべての情報があり、この人口があり、正確には
	企業から有用な情報を得るためにはデータを抽出する必要がありますが、企業がそのデータをどのように活用すればよいか正確にわかっていない場合があります。
	そしてデイリーゴールドの観点から私たちがやりたいのは、脳の右半分、つまり、推測や直感や推測や本能を使うことに集中している部分からもっと離れることです。
	そして、脳の左側へと移行し、論理や数学、理性、科学の使用に重点が置かれるようになりますが、私たちはビジネスにおいてこれをもっと活用し、ビジネス全体でデータに基づいた意思決定をもっと活用したいと考えています。
	かつて、プレゼンテーションの前に、Dairygold のデータ戦略の概要を 1 ページにまとめるように依頼されたことがありました。そのとき、私は...
	そのとき、当時はおそらくしっかりとしたデータ戦略がなかったことに気づいたのです。
	しかし、私が今ここでやろうとしているのは、私たちの実際のデータ戦略がどのようなものであるかを 1 つの図で示すことであり、それは非常にシンプルです。
	そのため、私たちはビジネス内に存在するデータを取得し、分析を使用して有用な情報に変換したいと考えています。
	そして、その情報から、私たちが抱えていた重要な疑問に対する答えが得られます。時には、疑問に対する答えが得られるだけでなく、
	結局、もっと多くの疑問が湧いてきます。しかし、これらは本当に重要で、非常に影響力のある疑問なのです。なぜなら、これらは最初から何を問うべきか分からなかった疑問だからです。
	そのため、時にはデータに戻って再度確認し、これらの質問に対する答えを得る必要があります。
	しかし、最終的にすべての質問に対する答えが得られる段階に達すると、私たちははるかに良い立場に立つことができ、プロセスに関してより多くの洞察を得ることができます。
	そして、その洞察力によって、タイムリーなデータに基づく意思決定が可能になり、正しい方向へ進むことができます。
	そして、もし私たちがプロセスを十分に理解し、十分な洞察力を持っていれば、そのデータを使って
	将来何が起こる可能性があるかを高い精度で理解する。つまり、優れた洞察力があれば、何が起こるかを予測できる優れた先見性も得られるはずだ。
	冒頭で述べたように、このプレゼンテーションの目的は、Dairygold 全体でデータがどのように使用されているか、さまざまな方法の例をいくつか示すことです。
	内部の観点から言えば、データに基づいて意思決定を行うという点では、私たちはすでに大きな進歩を遂げており、現時点では機械学習と AI の領域全体に参入し始めていると言えます。
	ですから、私はシンプルであることも非常に強力になり得ると強く信じています。
	これが、このプレゼンテーションが「棒グラフからニューラル ネットワークへ」と呼ばれる理由です。
	非常にシンプルな分析から多くの価値を引き出せることを強調しておくことは非常に重要だと思います。まず最初にご紹介したいのは、棒グラフです。
	しかし、プレゼンテーションで複数のページにまたがる棒グラフを使うことがあると思いますが、JMPを使えばすべての情報を1つのページにまとめるのはとても簡単です。
	ビューです。この場合、洗浄プロセスにおける硝酸を見ています。上部には、硝酸洗浄プロセスの各段階における個々のデータポイントが表示されています。
	各ステップで使用された硝酸の量を確認できます。次に、使用回数、つまり各ステップが繰り返し実行された回数を確認します。
	ここでは、各ステップにおける硝酸の平均使用量を見ています。例えば、
	ご存知のとおり、ここでは平均して週24リットルが使用されていますが、そのステップの発生頻度はわずか4回です。
	そして、この外れ値によって明らかに偏りがあったので、これは明らかに歪んでおり、おそらく私たちにとってより重要なのは、ここで私たちがやろうとしているのは理解することだからです。
	毎日、毎週、毎月使用される硝酸の量を削減することは、プロセスの各ステップでプロセス全体で使用される硝酸の合計です。
	そして、ここで強調すべき重要な点は、単純な棒グラフに過ぎないが、大きな方向性を与えてくれたということだと思います。
	ビジネスの世界で、そして私たちを…すみません、話が逸れるのを避けました。なぜなら、このすべてのデータを見ると、
	3つの異なる領域が浮かび上がりました。最終すすぎ、前すすぎ、そしてさらに最終すすぎのステップがありました。そしてデータは
	すすぎの段階で酸が使用されていたが、すすぎの段階では水だけしか使用されないため、それは不可能である。
	そこで、もう少し調べてみると、当初ベンダーがスキャナ(?)システムに誤ったデータタグを設定していたことが判明しました。
	監視対象の流量についてです。硝酸使用量を監視していると思っていたのですが、実際にはそうではありませんでした。誤った情報を受け取っていたのです。
	私たちは、実際に深く掘り下げて、私たちのプロセスとその原動力となっているものを理解することもできましたが、非常にシンプルな棒グラフが適切な方向性を示すことが多く、ビジネスで実際に何が起こっているかを正確に理解することができました。
	そして、私たちはビジネスで棒グラフを使用していますが、正直に言うと、これは非常にシンプルなので、ビジネスでの棒グラフの使用法の中で私が最も気に入っているものの 1 つです。
	しかし、これはダウンタイムの 4 つの異なる側面をすべて 1 ページに表示しており、非常にシンプルでユーザー フレンドリーであり、直感的に使用したり読んだりできると思います。
	ここにはチーズ工場で毎月監視されているダウンタイムの量が表示されています。Y軸はダウンタイム（分）です。
	チーズ工場内の6つの異なるエリアごとに、4月、5月、6月、7月、そして9月までの6ヶ月ごとに、降順で、時間順に、本当に
	シフトA、B、C、Dのそれぞれについて。分数が少なすぎるので、データが捏造されていると思うのも無理はないかもしれないが、これは非常に重要なことだ。
	チーズ製造の観点から言えば、工場は止まらないということです。つまり、これは実際の数値です。つまり、私たちは毎月数分単位でダウンタイムを監視しているということです。
	プロセスが停止すると、製品のpHが変化し、悪影響を与える可能性があります。
	最終的な販売価格と製品の品質も同様に影響を受けるため、止まらないことが重要です。
	メンテナンスの観点から見ると、これが現状です。残り時間は数分ですが、BetaVacに関してはそれほど大きな問題は発生していないことがわかります。しかし、ブロックフォーマーに関しては、シフトCとDで問題が発生しています。
	BlockmasterのCについては、さらに問題が発生しています。コンベアのこの部分では、Cが再び飛び出しており、ガセッターCとDについても同様に飛び出しています。
	CとDにも問題があるかもしれません。この分析から、CとDシフトはメンテナンスの観点から少し苦労しており、もう少しサポートが必要だということがわかりました。
	特にダイナミックリンクが気に入っています
	JMPの要素もデータ探索に活用しています。また、ここで指摘しておきたいのは、社内には多くのラボがあり、微生物学、化学、???などのラボがあります。
	私たちは牛乳、チーズ、水、製造過程、完成品を検査し、事業の膨大な数の要素を検査します。
	このインタラクティブなリンク機能は、ご覧のとおり、インタラクティブなHTMLで作成されています。
	企業全体のさまざまな人が協力してリポジトリを構築し、それを表示して操作できるようにするために使用されました。
	ここでやろうとしているのは、ビジネス内に存在する問題を示すリポジトリを作成することです。この場合は、ブロックを強調表示しています...申し訳ありませんが、詰まったチューブと蒸発器の CIP と停電を示しています。
	停電をクリックすると、緑色のバーの網掛け部分がハイライト表示されます。つまり、この例では8月に1回以上の停電が発生していることがわかります。
	それはここでこれらの処理段階に影響を及ぼし、特にこれらのプロセスで最も多く見られた微生物は連鎖球菌でした。
	ここでの価値は、このリポジトリに問題を追加し続けることで、要因の観点から
	将来を見据えて、何かが起こったときにビジネスにどのようなリスクがあるのかを確認します。そうすれば、次に停電が発生したときには、連鎖球菌感染症が発生するリスクが高まるため、この段階またはプロセスでのテストの量を増やす必要があることがわかります。
	時々、バーが多すぎて季節性や滑らかさを追加する必要がある場合もあります。
	視認性を高めるために、ラインも追加しました。これは私たちの事業における課題であり、後ほど触れますが、事業には季節性があります。
	そして私たちはとてもそう思います。なぜなら、牛は草を食べ、その草は最終的には牛乳を作るために使われるからです。そして、アイルランドでは天候が非常に不安定だからです。
	ある日は雨が降り、次の日は雪が降り、その次の日は晴れることもあります。季節性の観点から見ると、ここでのそれぞれのバーの色は異なる年を表すために使用され、2015、16、17、18 となります。
	また、これは週末だけの話であり、週末の全体的な注文は中間点で緑になる見込みです。
	2016 年と 2017 年は M 字型になっている点で多少似ていますが、2018 年は非常に異なっていることがわかります。
	たとえば、みんなで雪玉を投げ合っていると、6週間後に熱波が来て、放水ホースの使用が禁止されました。
	したがって、ビジネス内で天候に事実上左右される季節性データを使用することは非常に困難ですが、これは私たちが克服しようとしている課題の 1 つです。
	トレンドの観点から…トレンドに沿って、私たちはプロジェクト主導ではない探索にもJMPを使用しています。こちらは2,800社の牛乳サプライヤーの月平均のデータを例に挙げます。
	タンパク質と脂質の両方の成果が2年間にわたって事業に投入されています。つまり、ここにあるチェックマークはすべて、この場合は2018年9月、2018年10月、といった具合に、その時点を表しています。
	つまり、サプライヤー内およびサプライヤー間でのばらつきの範囲を示しています。そして便利なのは、特定のサプライヤーに焦点を当て、例えばこのサプライヤーについて「なぜこのサプライヤーの値がこんなに高いのか」を特定できることです。
	彼は脂肪とタンパク質の両方の値が一貫して高いのですが、このサプライヤーから何か学んで、他のサプライヤーに提供できるものはありますか?
	あるいは逆に、下層に他のサプライヤーがあるのだろうか？
	牛乳アドバイザーからのサポートや助けが必要なのは、牛乳に含まれるタンパク質や脂肪のレベルを常に満たすことができないからです。
	高いですね。これらは農家が報酬を得る基準、つまりタンパク質と脂肪のレベルに関係しているので重要です。
	つまり、このケースでは、この男性は、1 日に 1 回だけ搾乳することを選択する非常に数少ない牛乳供給業者の 1 人であることが判明しました。
	つまり、彼の脂肪とタンパク質のレベルは実際は他のみんなよりも高いのですが、デイリーゴールドに戻す量が少ないのです。しかし、それは彼の選択です。
	平行したプロット。
	これらは、さまざまなパラメータについて、1 つのページに同時に非常に多くの情報が表示されるため、現在私のお気に入りです。
	これは現在実際に起こっている問題であり、文字通り報道されたばかりで、問題はまだ解決されていません。
	ここで見ているのは、流動床乾燥機やサイクロンにおける断続的な粉末詰まりに関するものです。
	これは基本的に、粉末が乾燥機やサイクロンを詰まらせていることを意味します。これをチョークと呼びますが、つまり機器が詰まっている状態なので、機器を停止して清掃する必要があります。
	ここで実際に見ているのは
	30 種類の異なるパラメータがすべて測定され、すべて X 軸に表示されます。
	左から右に伸びる線は、30個のパラメータそれぞれの設定における1分間の時間を表しています。赤い線は
	1時間前のチョーク発生時の分数です。つまり、60分のレベル設定です。
	発生...チョークが発生する 60 分前で、この赤いグループは 9 つの異なるチョーク発生を表しています。
	はい、ここには 540 本のストランド以外のものがあるので、これは事実上、チョークが発生する直前に何が起こるかを示す指紋です。
	そして、私たちがやろうとしているのは、機械パラメータの観点から、それを典型的な通常の運用生産シナリオと比較することです。
	これは本当に便利です。比較できるだけでなく、重ねて表示できるのでさらに便利です。私は重ねて表示してみましたが…ノーチョークは背景に隠れています。興味深いのは、実際に見ることができることです。
	チョークのシナリオとノーチョークのシナリオの違いを理解し、何が起こっているのか理解する。例えば、現在検討されている質問は、
	ご存知のとおり、差圧のレベルが低いようです。
	そして、ほとんどの場合、チョークが発生した場合、これは注意すべき潜在的な要因なのでしょうか？これが原因なのでしょうか？典型的な注文操作は
	差圧が良好な場合のパラメータもここでも高くなっています。繰り返しますが、これはあくまで一例です。
	GPSデータを用いてサプライヤーの所在地のパターンと傾向を視覚化しています。ここでは、12月のタンパク質レベルと、すべてのサプライヤーが所在するマンスター地域全体のタンパク質レベルを確認しています。それぞれの点は、事業内のサプライヤーの所在地を表しています。
	点の大きさはサプライヤーがデイリーゴールドに供給する牛乳の量を表しています。つまり、点が大きいほど農場の規模が大きいことを意味します。
	ここではスケールが異なっており、ボリュームは…申し訳ありませんが、タンパク質レベルは 3.5 になるはずですが、これはあまり重要ではないため、灰色で表示されています。
	しかし、3.5を超えるものは緑色で表示されており、これは非常にうまくやっている人たちです。そして赤色は、おそらく、
	すみません、タンパク質含有量を高めるのに少し苦労している農家さんもいらっしゃるかもしれませんね。そこで、私たち独自のデータを活用して、ミルクアドバイザーのサポートが必要なサプライヤーがいるかどうかを確認し、彼らもサポートできるとしたら、とても助かります。
	地理的な要素にこだわることで、古くから信じられてきた神話もいくつか払拭できました。
	ウォータークーラーのところで議論が行われるかもしれないが、その中で誰かが、NPN は間違いなく地理的に影響を受けていると言うだろう。
	NPNは説明するのが難しいので、ここではパイント、ビール1パイントに例えたいと思います。どちらかというとグラス1杯分に近いと思います。
	皆さんご存知の通り、牛乳にはタンパク質、脂肪、乳糖、ミネラル、ビタミンが含まれています。これらは良い栄養素です。
	しかし、牛乳には他にもたくさんの成分が含まれています。タンパク質全体に注目すると、1パイントすべてが農家から得られる牛乳に含まれるタンパク質だと考えることができます。
	しかし、そのタンパク質は、基本的にこの飲み物の液体部分である真のタンパク質に分解することができます。
	そして、この部分こそが実際に製造工程で活用できるのです。パイントの泡の部分、つまりここにある泡状の部分は、尿素や尿酸などといった他の成分です。
	私たちはサプライヤーにすべてのタンパク質の代金を支払っていますが、残念ながらすべてのタンパク質を私たちの工程で使うことはできないので、この部分、つまり本物の部分、つまり本物のタンパク質のようなものしか使うことができません。
	そのため、プロセスによっては、年間のどの時期でも、NPN（非タンパク質窒素）のレベルが高かったり低かったりする可能性がある。
	その商品を特定のサイトに誘導するのが最善かもしれません
	今は別の場所に移っているので、戦略的な対応ができるかもしれません。そして、常に疑問に思うのは、一年の特定の時期に、地理的な場所が非タンパク質性窒素のレベルに影響を及ぼすということです。
	地理的な位置です。ここに表示されているのは284,000のデータポイント、つまり284,000のNPNの測定値から得られたデータです。
	南アイルランドのマンスターにある 6 つの地域における、1 年間にわたる非タンパク質窒素の量です。
	ここの線は、月ごとの平均値と平均値の差を表していますが、色の観点から見ると地域ごとに異なる平均値も表しています。
	ここでの箱ひげ図は、各地域内および地域間の変動量を表しています。つまり、平均値が以下のようになっていることがわかります。
	各地域で互いにうまく連携し、また変動量が減少するたびに、
	ここでは 7 月になると、ティペラリー州に若干の異常が見られるものの、それ以外は全地域で減少しているように見えます。
	しかし、ほとんどの場合、ある地域で変動が増加すると、すべての地域で変動が増加します。
	ですから、もうあれこれの可能性についてあれこれ議論する必要はなくなりました。データを使えば、理論を非常に迅速に証明したり反証したりすることも可能です。
	私たちは5年ごとに、混合供給業者に中間調査(?)を送っており、これは将来の数量の意図や供給業者が農場で抱えている課題を理解するのに役立っています。
	また、これは、ビジネスの方向性と投資の観点から、会員の感情を示す指標となります。
	そこで最近、私たちは 2,800 社のサプライヤーそれぞれに 100 以上の質問を送りました。この場合、私たちが尋ねた質問は、「農場の成長を制限する要因は何ですか?」でした。
	被験者には9つの選択肢、つまり要因1から9までが与えられました。そして、提示された要因を1から9まで、重要度の高い順に、あるいは低い順にランク付けするよう求められました。ご想像のとおり、2,800件の結果が返されます。
	各サプライヤーからの回答ですが、各結果には 1 から 9 のスコアが付けられており、必ずしも 1 から 9 のスコアが付けられているわけではなく、上位 3 項目のみをスコア付けしている場合もあります。また、上位 5 項目や上位 7 項目などをスコア付けしている場合もあります。
	そこで質問なのですが、これらすべての 25,000 のデータ ポイントを、Dairygold に報告する農業コミュニティ全体を表す 1 つの明確な図に、どのように最もよく表すことができるかということです。
	結果は…つまり、これは単なるモザイク図です。ご覧のとおり、回答者の48.8%、つまりサプライヤーが要因4を最も重要な要素として挙げています。
	農場の拡大を制限する要因として、次に5番目が挙げられ、19%が最も重要だと回答し、23%が
	2番目です。左から右に進むにつれて、農家にとって最も重要な要素が再び見えてきます。
	色はここでは本当に重要です。私はここでも、層別ヒートマップを使ってチームと一緒に進めています。これは全く異なる部分です。
	小売業の注文です。この場合、週末のみの時間帯別の注文数を見ています。
	店舗への供給用です。これは2015年から2018年の4年間の金曜日、土曜日、日曜日のものです。
	そして注文が送られる時間帯。今では農家がアプリで注文を送ることができるようになりました。
	注文は電話で受け付けられます。金曜日は最初の注文が
	牛の搾乳が行われ、農家の中には朝の5時に外に出て、「飼料がもっと必要だ。アプリで自動的に注文する」と言う人もいます。
	おそらく12時頃、また同じことが起こるかもしれません。牛の搾乳時間などにもよりますが。しかし、ここでの価値は、
	週末の注文受付の最も忙しい時間帯と注文処理のタイミングを把握することで、
	週末を通して効果的な人員配置をどうするかが問題なので、金曜日と同じ人数を日曜日に確保するのは意味がありません。
	時間配分を集中させるべきであり、金曜日、そしてできれば土曜日の早朝にも、より多くの人員を受注に充てるべきです。そのため、店舗の人員配置ははるかに効率的になりました。
	再び、色のテーマに沿って、そしてご存知の通り、高度な分析ですが、お気づきのとおり、すぐにそこに到達します。
	ただし、色のテーマはそのままにして、ここでご覧いただいているのは、大きなチーズ層をグラフィカルに表現した出力です。
	大きいというのは、長さ25メートル、幅2メートルくらいです。この時点でカードからホエーがすべて排出され、このチーズ層は押しつぶされて70枚の細切りにされます。
	そして、その細片を 5 つのブロックに切り分け、左側、中央、右側のブロックの高さを測定しました。
	そこで私たちがやろうとしているのは、この巨大なチーズの塊のチーズベッドの高さを計測することです。
	そして、それができるようになると、実際に何が起こっているのかを非常によく把握でき、色をガイドとして使用したり、チーズベッドの幅を確認したりできるようになりました。
	つまり、明らかに赤は高いことを意味し、緑は少し低いことを意味します。ここではミリメートル単位で測定しているので、120 ミリメートルから 155 ミリメートルになります。
	明らかに、左上から下に行くと少し傾斜があることがわかります
	左側に行くほど高さが高くなり、左下側でも高さが高くなり、ベッドが実際に落ちている部分です。
	これは私たちにとって非常に重要です。なぜなら、変動性の観点から、私たちが理解しようとしているのは、ブロックに違いがあるかどうか、なぜ違いがあるかということです。
	ブロックの重量が私たちの工程にどう影響するか？これは理由の一つを示唆しています。理由の一つは、ブロックの高さが異なると、
	すると、論理的に考えると、チーズが同じ力で同じ大きさに圧縮されていると、ブロックの重さも異なるはずです。
	したがって、特にビジネスの分析面にあまり精通していない人にとっては、図で見たほうが理解しやすいのです。
	分析についてもう少し詳しく見てみると、私たちはビジネス全体で統計的プロセス制御を多用しており、
	機会を探し、改善を検証します。ここでは二酸化炭素の使用量に注目しており、当社製品、特に粉末製品には二酸化炭素を使用しています。
	製品の保存期間を延ばすために粉末を袋詰めする場合、これは業界では標準的な方法です。
	袋に詰めるときに空気を抜いて二酸化炭素を加えます。ここでわかるように、その後袋を密封しますが、特に 2017 年には大きな変動がありました。
	そして私たちはそのプロセスをコントロールすることができ、2018年までに生活が大きく変わり、
	二酸化炭素の平均使用量が大幅に削減される場所です。まだ課題はいくつか残っており、調査が必要なパターンも現れているかもしれません。しかし
	こういったことには連鎖的なメリットもあります。なぜなら、プロセスを管理し、統計的にそれを実証できるだけでなく、
	粉末への二酸化炭素の吸収率を効果的に評価するための研究も行っています。
	これは本当に重要なことです。私たちの製品がどのように二酸化炭素を吸収しているかを理解できれば、他の利点も生まれます。
	脂肪が袋の中の二酸化炭素を吸収すると、この密封された袋の中に真空状態が作られます。真空状態になると
	袋が粉末の周りを密閉し始め、粉末の入った袋がさらに硬くなります。
	そのため、今では、サプライ チェーンの観点から、これらのバッグをパレットに積み重ねて輸送および出荷できるため、リスクが軽減され、作業が楽になります。
	今では、柔らかくてふわふわで柔軟性のある枕を積み重ねるのではなく、コンクリートのブロックを積み重ねているようなものです。つまり、すべての面でwin-winです。私たちは
	私はコーディングは得意ではありませんが、アイルランドのユーザーグループから多くの支援を受けることができました。
	そして、JMP コミュニティの皆様... 実は、アイルランドのユーザー グループから私たちを非常に助けていただいた Intel の Troy Hickey 氏に特に感謝したいと思います。
	JMPコミュニティでは、あなたが知りたいことがあれば、気軽に質問していただければ嬉しいです。
	あるいは、あなたが全く知らない分野について質問し、聞いたこともないような人々から回答を得るには、専門家の回答が優れてさえいればよいのです。
	この場合、JSLを使用してコードを作成し、これと管理図を作成することができました。
	タブ形式のフォーマットで、お好みで。この場合は、脱脂粉乳、全粉乳、脱塩ホエイパウダー、カゼインのタンパク質測定用です。
	ラボでは約30種類の異なる試験を実施しており、標準試験と湿式化学試験の差を監視しています。
	日常的に、また手動の方法と近赤外線の方法、つまり自動化された方法との間に存在する違いもあります。
	例えば、湿式化学の基準を検討する場合、ゼロを目標にしたいと考えます。実験室でテストした結果と、現場の測定結果に差があってはなりません。
	標準ではそうあるべきだとされています。つまり、ゼロを目標にしたいのですが、この場合は
	タンパク質、脱塩ホエイパウダーでは、わずかに外れています。0.04で、プロセスのプロファイルを追跡して、
	プロセスシフトが発生したことを知らせるフラグです。つまり、9つのデータ…つまり、この場合は平均値より上に少なくとも9つの連続したデータポイントがあるということです。
	そして、その場合、プロセスを停止し、それ以上継続しないようにする必要があることがわかります。なぜなら、調査を行い、問題を修正するために何らかの対策を講じる必要があるからです。この場合、プロセスの変更です。
	これは私たちにとって非常にプラスであり、私たちは現在このシステムを導入し、毎日稼働させています。
	ご存知のとおり、このデータポイントの時点でも、スクリプトは最後の42のデータポイント、つまり過去1週間のデータのみを表示するように設定されています。管理限界は
	プロセス中の過去のデータに基づいて。JMPコミュニティに連絡を取るのは本当に良いことです。
	トラックの到着時間をビジネスに組み込む必要があります。この場合、54,000 台のタンカーが深夜から深夜にかけて 4 つの異なる現場に到着します。
	現場への配送時間など、様々な配送方法を把握できるのは本当に助かります。これは私たちにとって重要です。なぜなら、タンカーが現場に来るのは望ましくないからです。
	できるだけ早く牛乳を降ろして現場を離れなければなりません。
	現場では、トラックが他のトラックの後ろに並んでいるような状況が頻繁に発生する可能性があります。私たちは、プロセス全体を通してスムーズな流れを実現したいと考えています。
	ここでは例として朝8時から9時までが見られます
	ご存知の通り、人々は朝食に出かける場所です。交通量が多く、サイトへの配送はそれほど多くありません。こちらも同様に、夕方になると交通量が多くなります。
	トラックが止まったり、運転手が夕食に出かけたりといった状況です。そこで、私たちはそれをもう少し深く掘り下げて、それぞれのサイト、つまりこの場合はクロンメルロードとキャッスルファームの2つのサイトについて「OK」と判断することができました。
	北、南、東、西に向かう道路が到着するため、これらのサイトは互いに非常に近いです。
	それはどのように見えるか、そして私たちが望むデータ全体に明確な分布があるか、
	例えば、東部から24時間以内の配送ができない運送業者がいるかどうかなどです。何が起こっているのかを把握し、その情報も活用できます。
	ポンプのオフロード率から言うと、この場合、オフロードしているポンプが11台ある2つのサイトがあります
	2つの拠点で年間5億リットル以上を消費しています。
	どのポンプが他のポンプよりも効率が良いのか、あるいは悪いのかを理解したいと思っています。そして、明らかに、オフロード率が高いポンプが4つあることがわかります。
	そのため、他の搾乳機よりも同じ時間でより速く、より多くの母乳を搾乳することができます。そして、ここでわかるように
	サイト2では、ポンプ3番が最も効率が高く、ポンプ4番とポンプ3番は全体的に最も効率が低いポンプです。そのため、メンテナンスオーバーホールを行う場合、これらのポンプを最初にオーバーホールする必要があることがわかります。
	私たちはJMPを使って、卓越性と機会の両方の測定システムを評価しています。
	何度も何度も繰り返して、もう数え切れないほどです。今回のケースでは、オルトリン酸塩（？）を調べていますが、これは標準的なゲージR&R法で、結果は非常に良好です。
	19の異なるカテゴリーの数。19は優秀で、ゲージR&Rは0.5なので、10未満が理想的であり、これは私たちが本当に良いものを持っていることを意味するだけです。
	常に信頼できる測定システムを導入し、どの部品をどのアナリストに渡しても、同じ結果が得られるでしょう。
	つまり、テストを実行する人がテストの結果に影響を与えることはなく、それが常に望ましい状態です。
	時には主観的な測定システムがあり、属性一致分析も行う必要がある場合があります。
	この場合、私たちは包装された製品の視覚的な評価を見ています。丸みや破損したエッジ、エンボス加工などを調べることができます。
	読みやすさなどです。改善後、鑑定士間の一致率は90～95%に達していることがわかります。
	全体的に見ると、一致したパーツの数に関して合意レベルは82％です。
	各オペレータ内および各オペレータ間でも、おそらくもっと重要なのは、有効性、つまり標準への適合です。
	後ほどご覧のとおり、基準への適合率は96%に達しており、非常に良好な結果です。繰り返しになりますが、たとえ主観的な評価であっても、当社の製品は確実に評価されていることを保証できます。
	もちろん、様々な要因の影響を定量化するための実験も計画できます。この場合、WPNI（ホエイプロテイン窒素指数）に注目しています。これは、ある指標のレベルです。
	これは製品中のタンパク質の変性度を示すもので、製品が受けた熱処理のレベルを示すものであり、
	すみません、それは本当に重要なことかもしれません。なぜなら、熱処理のレベルは、アプリケーションに影響を与える可能性があるからです。
	顧客の視点から見れば、例えば間違ったレベルの熱処理が施されていたとしたら、例えばヨーグルトを作るために私たちの製品を使いたいと思っている顧客が、
	そうすると、粒状の食感や口当たりなどが残る可能性があるため、その製品は不適切になります。そのため、ヨーグルトのような製品には適していません。
	そのため、私たちはホエイプロテイン窒素指数の結果に一貫性がないという問題を抱えており、私たちの手順には曖昧さが見られました。
	それは解釈の余地があるという意味で。つまり、何かを揺さぶる、
	このバイアルを振る、ただ振る、と書いてあるかもしれません。そして誰かが「はい、5秒間振る」と言うかもしれませんし、別の誰かが「10回逆さまにするだけです」と言うかもしれませんし、別の誰かが「はい、30秒間激しく振る」と言うかもしれません。
	つまり、誰もが最善の意図を持って手順に従っていたのですが、手順が曖昧であれば解釈の余地が生じ、矛盾が生じる可能性もあります。
	そこで私たちがやろうとしているのは、プロセスの変化に影響を及ぼす可能性のある要因を理解するための試験を設計することです。
	ここに塩化ナトリウム溶液、つまり塩水溶液があります。これはスターティングバーありとスターティングバーなしの 2 種類があります。
	高温の場所での持続時間は 45 分または 60 分です。ここでのこの溶液と、ここにあるこの小さなテスト プランを使用して、水浴の温度を 37 度と 40 度に設定しました。これは、ここに色分けされた 4 つの溶液のうちの 1 つです。
	そして、ウォーターバスの振盪間隔と、使用されたと思われる塩酸の滴数も示します。
	また、インタラクティブエクスプローラーを使えば、WPNIの結果が低い場合、プロセスで何が起こっているかを確認できます。
	ここで何が起こっているのか理解するのはより困難です。したがって、明らかに、もう少し先に進んでいくつかのモデルを構築し、何が起こっているのかを理解する必要があります。
	ここで話題にしている強みという点では、このモデルは非常に優れており、R 二乗は約 68% です。
	ここでの主な効果はすぐにわかります。最も大きな主な効果はウォーターバスの温度であり、次に撹拌子の持続時間とホットプレートの相互作用効果が続きます。
	そして、どのパラメータが引っ張っているか、どの効果が引っ張っているかなど、効果も確認できます。
	プロセスもどの方向へ向かっているか分かります。また、下部には便利な予測プロファイラーも用意されています。何が起こっているかを調べることができます。
	私が気に入っているのは、出力結果を活用できることに加え、教育の観点から、こうした実験の出力結果を時々活用することです。
	先ほど、撹拌棒とホットプレートでの加熱時間が重要な要素であるとお話ししましたが、これは相互作用効果であり、1 つの要素の効果が別の要素のレベル設定に依存する場合です。
	しかし、ページ上で相互作用効果を説明することはできます。線が交差していて、線が交差しているということは
	強い相互作用があり、線が平行でありながら交差しそうに見える場合は、小さな相互作用です。あるいは、実際にデータを取得してプロットすることもできます。
	この場合、多くの人は、2 つの要素による相互作用がどのようなものかを実際に見たことがありません。これが相互作用です...相互作用とはどのようなもので、次のように使用できます...
	教育ツールとしても使えます。この例では、WPNIの結果がY軸に表示されています。
	ホットプレートでの調理時間は 45 分と 60 分です。45 分のままにして、撹拌子を使わない場合と、45 分のままにして撹拌子を使う場合に切り替えると、このレベルからこのレベルにジャンプしたことがわかります。
	一方、60分でWPNIレベルがここにあります。撹拌棒なしで、撹拌棒にジャンプすると、それが下がるのがわかります。
	ここでのジャンプはここでほど大きくはありませんが、すぐに、攪拌バーとホットプレート上の継続時間に影響を与える相互作用がかなり大きいことがわかります。
	これがまさに、プロセスに関する豊富な知識と理解として現れているのです。また、分類ツール、つまりこの場合は意思決定ツリーなどを使って理解を深めることもできます。
	これはチーズの褐色化に関するR&Dからの質問です。これは、その名の通り、チーズの褐色化に関するものです。
	オーブンでピザのように熱があまり加わらない場合、チーズが焦げすぎないように注意します。チェダーチーズをピザにのせる場合は、焦げすぎないように注意しましょう。
	少し生命感と調理法を持たせたいですね。ここでも分類、いや、決定木の例を見てみましょう。
	3つの異なるレベル、お好みで、明るい、中程度、暗い褐色は木によって表され、色は緑です、
	それぞれ琥珀色と赤色です。そして、ここで最も重要なのはランニング時のpHです。特にランニング時のpHが6.48より大きい場合、
	すると、工程の99.3%で、うっすらと茶色くなることがわかります。これが望ましい状態です。緑は良好で、赤は不良です。同様に、pHが6.48未満の場合はリスクが高いことが分かっています。
	そしてサンプルを採取します。文字通り20kgのブロックのチーズを角から採取すると、31%の確率で
	焦げ目がつくので、良くありません。この角度から見ると、大きさが
	オブジェクトの数、つまりカウント数も原因となっており、ツリー上のリーフノードの終了も同様です。つまり、
	この場合は、褐色化の分類を最もよく区別する重要な要素の観点から、プロセスで何が起こっているかを適切に把握します。
	ここで「隠れたブートストラップ フォレスト」と言うのは、これは JMP 内であまり活用されていないツールだと思うからです。決定木が何をするもので、どのように機能するかを理解すれば、これが非常に強力なツールであることがおわかりになるでしょう。
	正直に言うと、決定木に使われるアルゴリズムが反復二分法なのか
	C 4.5 か 5.0 か何かですが、私が知っているのは、予測因子スクリーニングはバックグラウンドで決定木アルゴリズムを利用し、ブートストラップフォレストを使用するということです。
	復元抽出法も併用して、これらのツリーを複数作成し、それらをまとめて、ツリーの平均的な結果（とでも言うべきでしょうか）を算出します。この場合、これは
	先ほどの30種類の機械パラメータの並列プロットの例ですが、この場合は実際には31種類あります。
	なぜなら、私がチームに戻って、このノズルの空気圧には何か違うところがあり、それが重要な要素のようで、予測スクリーニングがそれを教えてくれたと言ったからです。
	部屋の後ろの方から手が上がり、彼らはこう言いました。
	すべてのパラメータの中で、これは実際にはマシン パラメータではないため、おそらくそこに含めるべきではなかったでしょう。何か飛び出すものがないか確認するために、私たち自身でそれを挿入しただけです。
	そして、予想通り、これがページから飛び出してきたものだったので、取り出して個別に評価する必要がありました。
	プレゼンテーションに関しては、私もほぼ完成に近づいています。
	モデルを使用して将来のパフォーマンスを予測することで、洞察から先見へと移行します。
	ここでは、1,438 件の観察に基づいて、76% のモデル有効性というかなり強力なモデルを作成しました。
	質問は、週のどの曜日、どの週でも、そして年間のどの週でも、ビジネスに流入する注文の数を予測するのに役立つツールを構築できるかどうかでした。
	また、受注数を予測しますか...すみません、同じ日に受注する受注量も予測できますか?
	そのため、すべての履歴データを取得し、予測プロファイラーを使用して、季節性の観点から、予測しようとしているものに最も一般的な年を選択することができました。
	次に、該当する月、任意の日付、曜日に移動して、銀行の休業日かどうかを判断します。
	ご覧のとおり、2つの異なる設定があります。1つは銀行休業日用、もう1つはそうでない場合用です。大きな違いがあることがわかります。
	ここでも銀行休業日と曜日の間に相互作用効果が見られます。ビジネスの話に戻りましょう。
	2019 年 10 月 26 日は木曜日で、銀行休業日の週末ではないため、曜日に関係なく 120 件の注文が入り、入荷する製品の総量は 1,100 トン弱になる見込みです。
	実際に2週間の週末でこの計算を実行してみました。銀行休業日と休業日の週末ですが、実際には85%という素晴らしい結果が出ました。モデルは76%でしたが、実際にはかなり良い結果が出ました。
	そして洞察から先見へ、私たちは再び…季節の変動性を考慮しようとしています。
	ここには2015年、16年、17年、18年など、異なる年が色分けされて表示されています。そして、飼料の注文数を見てみると…
	それぞれの点は週ごとの注文数量を表しており、ここで私がやり過ぎているのは、実際の予測モデルを重ね合わせているため、予測された値が
	各週の予測値と実際の値を比較することで、モデルの精度を確認できます。
	そして、正直に言うと、季節指数予測か季節ARIMAのどちらかを使うことができました。
	季節的な??? メトリック移動平均を使用して、今後 6 か月間がどうなるかを判断します。
	また、季節性が課題となる当社のビジネスにとって、これらのツールは非常に価値があり、高い信頼度でこれらのツールを使用することで、今後ビジネスにどのようなレベルの注文が期待できるかを把握できます。
	最後に、私たちにとっては、これまでその領域に踏み込んだことがないので少し無理があるかもしれませんが、ニューラルネットワークについてお話しします。今回のケースでは、ニューラルネットワークを使って、私たちのプロセスで堆積物を分級できるかどうかを調べる試みです。ADPIの結果があれば、これは
	堆積パッドで、乾燥工程などで生じたと思われる焦げた粒子の量を確認しています。現在地はどこでしょうか？レベルA、B、C、それともDでしょうか？
	ここで、ふるいの結果はふるいに残った粒子の数を表し、タンブラーの結果 T1B1 は上部と下部を表します。
	T1 は水面に浮いている粒子の数を表し、B は底部の粒子、つまり底に沈んだ堆積物の数を表します。
	ここでもニューラルネットワークでK分割交差検証を使っているので、Kは10に設定されていると思います。
	活性化関数もここにあると思います。ええ、双曲線関数…線形、ガウス関数、そして確か双曲線正接関数も。
	そしてこれらをそれぞれ使って
	入力ノードも活性化関数に入力し、出力層もここにあります。出力層から最終結果が得られます。
	この場合、6,245件の結果が
	モデルを訓練し、クロスバリデーションで検証したら、ここで混同行列を作成できます。これも非常に良い結果です。A1/A2にはそれほど多くの値がありません。
	A1と同じようにBグレードまで下がりますが、A2グレードがあれば
	我々は、そのうち35個が真の2で、2個だけがA1であると予測しました。そのため、いくらかの誤差が生じる可能性があり、その誤差はモデルがどのように使用されたかによって生じる可能性があります。
	ご存知のとおり、当初は採点者が手動でこれらのそれぞれの違いを評価しようとしていました。
	結果には曖昧さがつきものですが、最終的な判断を下そうとすると、最終的にどのような結果になるかを機械がかなり正確に予測できるようになるのでしょうか？
	そして、ここでA1と割り当てられたグレードを取得する可能性は、タンブラーの結果がT1B1で、フローターやシンカーがほとんどない場合にかなり高いことが予想されます。
	ふるいの結果も粒子の量に関して非常に低かった場合、A1 の結果はここになるはずです。
	ここで A1 が見られるということは、モデルのトレーニングが期待どおりに効果的ではなく、モデルに何らかのエラーがあった可能性があることを示している可能性があります。
	ここでも非常に複雑なモデルが作られていることがわかります
	これについては、ニューラルネットワークの観点から見れば皆さんご存知の通り、ややブラックボックスな部分があります。しかし、機械学習やAIの分野全体に進出していく上で、私たちにとって膨大なプロセス知識と概念実証が不可欠になると考えています。
	なので、私はたくさんの人に批判的な発言をしたし、かなり急いでいたし、このことについて何時間でも話せると思う。そして謝罪…もし急いでいたように感じられたら申し訳ありませんが、私が言いたいのは、結論として、
	農業のように典型的なデータ分析環境からかけ離れた業界であっても、どんな業界でも、
	データ分析によりビジネスに大きな価値が付加され、ビジネスのほぼすべての部分に手を伸ばすことができ、サポートすることができます。
	また、シンプルなグラフ分析の価値を過小評価しないでください。JMPに組み込まれているより強力な分析機能のいくつかを紹介し始めたのは、このプレゼンテーションの途中からでした。
	あらゆる高級ツールの使い方を知ることは素晴らしいことであり、それを使うべき時と場所があると思いますが、シンプルなものも非常に強力であり、その価値を過小評価しないでください。
	それ以外では、ご清聴ありがとうございました。本当に感謝しています。ご質問やご意見がございましたら、いつでもお気軽にお寄せください。ありがとうございます。

高度な統計モデリング基本的なデータ分析とモデリングデータの探索と可視化予測モデリングと機械学習品質およびプロセスエンジニアリング