756671_ko-KR

liliconcom

Dairygold에서 데이터 추출: 막대형 차트에서 신경망까지 (2021-EU-30MP-735)

Kieran O'Mahony, Dairygold 데이터 과학 및 분석 관리자

현대 사회에서 데이터 분석은 금융, 의료, 제약, 의료 기기, 반도체, 전자상거래 등과 같은 산업과 더 밀접하게 연관되어 있습니다. 농업과 분석이라는 단어가 한 문장에 함께 등장하는 경우는 드뭅니다. 이 세션에서는 전통과 역사를 자랑하는 한 기업이 어떻게 데이터 분석을 수용하고 장려하여 더 이상 "데이터는 풍부하지만 정보는 부족한" 기업으로 여겨지지 않게 되었는지에 대한 통찰력을 제공합니다. 또한, Dairygold에서 JMP를 활용하여 데이터 중심 의사 결정을 더욱 효과적으로 수행할 수 있었던 여러 사례를 소개합니다.

자동 생성된 대본...

스피커	성적 증명서
키런 오마호니	알겠습니다. 감사합니다. 저는 키런 오마호니이고 아일랜드의 Dairygold에서 데이터 과학 및 분석 관리자를 맡고 있습니다.
	제 프레젠테이션 제목은 Dairygold에서 막대형 차트에서 신경망으로 데이터 추출하기입니다.
	그래서 데이터 분석의 사용은 일반적으로 금융, 의료, 제약, 반도체 등의 산업과 더 연관되어 있다고 말하는 것이 타당하다고 생각합니다. 그리고 농업과 분석이라는 단어가 같은 문장에서 발견되는 경우는 아마도 드물 것입니다.
	따라서 이 세션은 매우 전통적인 기업이 어떻게 회사 전반에 걸쳐 분석 사용을 수용하고 장려했는지에 대한 통찰력을 제공하기 위해 마련되었습니다.
	따라서 이 세션은 Discovery에서 볼 수 있는 다른 세션과는 다를 것입니다. 여기서 제가 하려는 것은 하나의 프로젝트에 초점을 맞추기보다는 여러 가지 예를 보여주는 것입니다.
	Dairygold는 JMP를 사용하여 제조 분야뿐만 아니라 회사 전반에 걸쳐 데이터 기반의 의사 결정을 더욱 강화했습니다. 저는 이것이 중요하다고 생각합니다.
	그럼, 시작하기에 앞서 사업의 배경과 개요, 그리고 우리가 하는 일에 대해 간략히 설명하는 게 중요할 것 같습니다.
	데어리골드는 골든 밸리 중심부에 최첨단 치즈와 영양분말 제조 시설을 갖춘 아일랜드 최대의 농장 소유 협동조합입니다.
	알겠습니다. 그럼, 협동조합이라는 걸 설명하자면, 기본적으로 우리는 우유 공급업체, 즉 농부가 소유하고 있다는 뜻입니다.
	매일 우리에게 우유를 공급하는 우유 공급업체가 2,800개 있는데, 이들 모두가 주주입니다. 따라서 원자재 공급업체가 사업의 소유자이기도 하다는 점에서 사업 모델이 다소 특이합니다.
	작년 매출은 12억 유로였고, 직원은 약 1,200명이며 연간 약 14억 리터의 우유를 가공합니다. 매일 엄청난 양의 우유가 우리에게 공급되고 있죠. 사실,
	최고조에 달할 때는 계절적 사업이기 때문에 생산량이 최고조에 달할 때는 매일 600만 리터가 넘는 우유가 현장으로 들어온다는 얘기입니다.
	망치부터 가전제품, 농기구까지 모든 것을 살 수 있는 소매점도 있습니다. 또한, 제분소에서 가축 사료를 생산하는 농업 부문도 운영하고 있습니다.
	데어리골드는 오랫동안 존재해 왔으며, 1908년에 밸리클로(Ballyclough)라는 이름으로 시작하여 1919년에 미첼스타운(Mitchelstown)으로 바뀌었고, 1990년에 데어리골드(Dairygold)로 바뀌었습니다.
	그리고 우리는 아마도... 글쎄, 아마도라기보다는... 우유를 말과 마차로 배달하던 시절부터 지금까지 아주 먼 길을 왔다고 말하는 게 공평할 듯합니다.
	매우 전통적인 조직이고 오랜 역사를 가지고 있지만, 동시에 매우 진보적인 조직이기도 합니다.
	그리고 우리가 먼 길을 왔다고 말할 때, 우리는 지금 유조선 함대를 갖춘 매우 큰 공급망을 가지고 있고 각 유조선은
	여기 예를 보시면, 각 유조선은 약 26,000리터의 우유를 운반하고, 저희는 2,800개의 공급업체로부터 매일 우유를 수거합니다. 공급망이 매우 복잡하다는 점에서
	우리는 공급업체로부터 우유를 수집할 뿐만 아니라 자동으로 지시하지 않는 경우 치즈 가공 공장에서 유청도 수집합니다.
	파이프를 통해 다른 장소로 운반했습니다. 그래서 우리는 그것을 탱커에 모아서 다른 장소로 운반합니다.
	그리고 우리는 다른 고객에게 판매하는 탈지유 농축액과 탈염 유청 농축액에도 동일한 방법을 적용하고 있으며, 또한 우리가 유통하는 분말 부문과 치즈 부문도 있습니다.
	그래서 우리는 유럽에서 가장 큰 건조기(?)도 가지고 있는데, 특히 여기 보이는 것은 5~6층에 걸쳐 있는 건조기입니다.
	그래서 지난 5~6년 동안 Dairygold는 공장 전체에 4억 달러 이상을 투자했습니다. 그래서 우리가...
	우리는 우유 생산량 증가에 따른 미래 수요를 충족할 수 있습니다. 우리가 만드는 제품 측면에서는,
	분말과 치즈, 대부분 전유 분말부터 탈지분유와 단백질 분말, 그리고 다양한 종류의 치즈, 특히 치즈와 체다 치즈가 있습니다.
	그리고 우리는 과자, 피자부터 짭짤한 음식, 요거트, 가공식품, 심지어 영유아용 분유까지 다양한 분야에 제품을 공급합니다.
	그리고 오늘 아무것도 먹지 않았다면, 탈지분유나 전지분유를 먹었을 가능성이 매우 높습니다. 요즘은 많은 음식 재료에 탈지분유나 전지분유가 많이 들어가기 때문입니다.
	사업 배경은 이렇습니다. 데이터 측면에서는, 데이터는 풍부하지만 정보는 부족한 것으로 여겨지는 기업들이 많다고 말하는 것이 타당하다고 생각합니다.
	그리고 더 많은 데이터를 가질수록 때로는 혼란스러움도 더 커질 수 있다는 것도 말할 나위가 없습니다.
	그리고 때로는 모든 정보를 가지고 있고 인구가 있고 정확히 무엇인지에 대한 아이디어가 있을 때에도 말하는 것이 공정하다고 생각합니다.
	기업에서 유용한 정보를 얻기 위해서는 데이터를 추출해야 하는데, 때로 기업은 그 데이터를 어떻게 활용해야 할지 정확히 알지 못하는 경우가 있습니다.
	Dairygold의 관점에서 우리가 하려는 것은 가정과 직감, 추측, 직관에 집중하는 뇌의 오른쪽에서 더 멀리 벗어나려고 노력하는 것입니다.
	그리고 뇌의 왼쪽 반구로 더 이동하고 있습니다. 왼쪽 반구는 논리, 수학, 이성, 과학을 사용하는 데 더 집중합니다. 하지만 우리는 기업에서 이를 더 많이 활용하고 기업 전반에 걸쳐 데이터 기반의 의사 결정을 더 많이 내리고자 합니다.
	한 번은 프레젠테이션에 앞서 Dairygold의 데이터 전략을 요약해서 한 페이지에 써달라고 요청받았습니다. 그때 저는...
	그때 저는 당시 우리에게 탄탄한 데이터 전략이 없었다는 걸 깨달았습니다.
	하지만 제가 지금 하려는 것은 단 하나의 그림으로 우리의 실제 데이터 전략이 무엇인지 보여주는 것인데, 정말 간단합니다.
	그래서 우리는 기업에 존재하는 데이터를 수집하고 분석을 통해 유용한 정보로 전환하고 싶습니다.
	그리고 그 정보로부터 우리는 우리가 가졌던 핵심 질문에 대한 답을 얻고, 때로는 우리가 가졌던 질문에 대한 답을 얻을 뿐만 아니라 때로는
	결국 더 많은 질문을 하게 됩니다. 하지만 이 질문들은 정말 중요하고 강력한데, 처음부터 어떻게 물어봐야 할지 몰랐던 질문들이기 때문입니다.
	그래서 가끔 우리는 다시 돌아가서 데이터를 살펴보고 이러한 질문에 대한 답을 얻는 것이 필요합니다.
	하지만 궁극적으로 우리가 모든 질문에 대한 답을 얻는 지점에 도달하면, 우리는 훨씬 더 나은 입장에 서게 되고, 프로세스에 대한 통찰력도 훨씬 더 많아집니다.
	그리고 그러한 통찰력을 바탕으로 우리는 시기적절한 데이터 기반 결정을 내리고 올바른 방향으로 나아갈 수 있게 됩니다.
	그리고 우리가 프로세스를 충분히 잘 이해하고 충분한 통찰력을 갖고 있다면 그 데이터를 사용하여 다음을 수행할 수 있어야 합니다.
	미래에 어떤 일이 일어날지 높은 정확도로 이해하는 것은 매우 중요합니다. 따라서 좋은 통찰력은 앞으로 무슨 일이 일어날지 예측할 수 있는 좋은 미래 예측 능력을 제공할 것입니다.
	그래서 제가 처음에 말했듯이, 이 프레젠테이션의 목적은 Dairygold 전반에서 데이터가 사용된 다양한 방법에 대한 여러 가지 예를 보여드리는 것입니다.
	저는 우리가 데이터에 기반한 의사 결정을 내리는 측면에서 내부 관점에서 먼 길을 왔다고 말하고 싶습니다. 그리고 우리는 이 시점에서 머신 러닝과 AI의 전체 영역으로 진출하기 시작하고 있습니다.
	그래서 저는 단순함이 매우 강력할 수 있다고 믿습니다.
	그래서 이 프레젠테이션의 제목을 막대형 차트에서 신경망으로 바꾸었습니다.
	아주 간단한 분석만으로도 많은 가치를 얻을 수 있다는 점을 강조하는 것이 정말 중요하다고 생각합니다. 제가 가장 먼저 공유하고 싶은 예는 바로 막대 차트입니다.
	하지만 때때로 사람들이 프레젠테이션에 참여하여 여러 페이지에 걸쳐 막대형 차트를 만들 수 있고 JMP를 사용하면 모든 정보를 단일 차트에 넣는 것이 매우 쉽다고 생각합니다.
	보기. 이 경우, 세척 공정에서 질산을 살펴보겠습니다. 위쪽에서 각 개별 데이터 포인트와 질산 세척 공정의 모든 단계에 대한 데이터를 볼 수 있습니다.
	각 단계에서 사용된 질산의 양을 확인할 수 있습니다. 다음 단계는... 사용 횟수, 즉 해당 단계가 순환된 횟수를 살펴보는 것입니다.
	여기서는 각 단계의 평균 질산 사용량을 살펴보겠습니다. 예를 들어, 다음과 같은 결과를 볼 수 있습니다.
	아시다시피, 우리는 주당 24리터라는 더 높은 평균을 사용하고 있지만 그 단계의 발생 빈도는 단 4회에 불과했습니다.
	그리고 여기의 이상치에 의해 분명히 편향되었으므로 이것은 분명히 왜곡되었으며 아마도 우리에게 더 중요한 것은 우리가 여기서 하려는 것이 이해하기 때문입니다.
	그리고 매일, 매주, 매달 사용된 질산의 양을 줄이는 것은 각 공정 단계에서 사용된 질산의 합계입니다.
	그리고 중요한 것은... 여기서 우리가 강조해야 할 중요한 것은, 다시 말하지만 그것은 단순한 막대 차트일 뿐이지만, 그것은 우리에게 엄청난 방향을 제시해 주었습니다.
	사업에 종사하고 우리를 보냈습니다... 미안합니다. 우리가 이 모든 데이터를 살펴보았을 때 우리는 다음을 알 수 있었기 때문에 엉뚱한 방향으로 우리를 보내는 것을 피했습니다.
	세 가지 다른 영역이 눈에 띄었습니다. 최종 헹굼, 예비 헹굼, 그리고 또 다른 최종 헹굼 단계도 있었습니다. 그리고 데이터는 다음과 같았습니다.
	이러한 헹굼 단계에서 산이 사용되었는데, 헹굼 단계에는 물만 사용되기 때문에 불가능합니다.
	그래서 조금 더 조사해보니 우리 스캐너(?) 시스템에 공급업체가 잘못된 데이터 태그를 처음 설정했다는 사실이 드러났습니다.
	모니터링 유량에 대해서요. 그래서 실제로 질산 사용량을 모니터링하고 있다고 생각했는데, 사실은 그렇지 않았습니다. 잘못된 정보를 받았던 거죠. 그래서
	우리는 실제로 깊이 파고들어 프로세스와 그 프로세스의 원동력을 이해할 수도 있었지만, 매우 간단한 막대형 차트가 종종 적절한 방향을 제시하고 우리 사업에서 실제로 무슨 일이 일어나고 있는지 정확하게 이해할 수 있었습니다.
	그리고 사업에서 막대형 차트를 사용하는 방식은, 솔직히 말해서, 제가 가장 좋아하는 방식 중 하나인데, 막대형 차트를 사업에 사용하는 방식이 너무 간단하기 때문입니다.
	하지만 이 페이지에는 다운타임의 네 가지 다른 측면이 모두 나와 있고, 정말 간단하고 사용하기 편리하며 직관적이라 읽기도 편하다고 생각합니다.
	여기 보이는 건 치즈 공장에서 한 달 동안 모니터링되는 가동 중단 시간입니다. Y축은 분 단위의 가동 중단 시간을 나타냅니다.
	치즈 공장 내부의 6개 구역 각각에 대해, 4월, 5월, 6월, 7월, 이렇게 6개월씩, 9월까지 내림차순으로, 시간 순서대로, 정말로,
	A, B, C 및 D 교대 각각에 대해. 이제 분 수가 너무 적기 때문에 데이터가 조작되었다고 생각할 수도 있지만 실제로는 매우 중요합니다.
	치즈 제조 관점에서 보면 공장이 멈추지 않는다는 겁니다. 이건 실제 수치입니다. 즉, 매달 몇 분 단위의 가동 중단 시간을 모니터링하고 있다는 뜻입니다.
	프로세스가 중단되면 제품의 pH가 변경되어 부정적인 영향을 미칠 수 있습니다.
	최종 판매 가격과 제품 품질도 중요하므로, 멈추지 않는 것이 중요합니다.
	유지 관리 측면에서 현재 상황은 이 정도입니다. 몇 분 정도 남았는데, 여기서 분명히 알 수 있는 건 BetaVac에는 큰 문제가 없지만, 블록 형성자의 경우 C와 D 교대에서 문제가 발생하고 있다는 것입니다.
	Blockmaster의 C에 더 많은 문제가 있습니다. 이 컨베이어 영역에서 C가 다시 튀어나오고, 거세터 C와 D도 다시 튀어나옵니다.
	그리고 C와 D에 더 많은 문제가 있을 수도 있습니다. 따라서 이 분석을 통해 도출할 수 있는 것은 C와 D 교대 근무가 유지 관리 측면에서 약간 어려움을 겪고 있으며, 더 많은 지원이 필요하다는 것입니다.
	우리는 특히 동적 링크를 좋아합니다
	데이터 탐색을 위한 JMP 요소도 있습니다. 그리고 이 경우, 말씀드릴 게 있는데요, 저희 회사에는 미생물학, 화학, ??? 등 많은 실험실이 있습니다.
	그리고 우리는 우유, 치즈, 물, 가공 중인 제품과 완제품을 테스트하고 사업의 수많은 요소를 테스트합니다.
	그리고 이 대화형 연결 기능은 여기에서 볼 수 있듯이 대화형 HTML로 만들어졌습니다.
	회사 전반의 다양한 사람들이 저장소를 구축하고 이를 보고 상호 작용할 수 있도록 사용되었습니다.
	따라서 여기서 우리가 하려는 것은 회사 내부에 존재하는 문제에 대한 저장소를 만드는 것입니다. 이 경우 차단을 강조하고 있습니다. 죄송합니다. 차단된 튜브와 증발기 CIP, 정전을 보여드리고 있습니다.
	정전을 클릭하면 녹색 막대의 음영 처리된 부분이 강조되는 것을 볼 수 있습니다. 이 경우에는 8월에 한 번 이상 정전이 발생한 것을 확인할 수 있습니다.
	그것은 여기의 이러한 처리 단계에 영향을 미쳤고, 특히 그 과정에서 가장 많이 발견된 미생물은 연쇄상구균이었습니다.
	따라서 여기서의 가치는 우리가 요인 관점에서 이 저장소에 문제를 계속 추가할 때 다음을 수행할 수 있다는 것입니다.
	무슨 일이 일어났을 때 사업에 발생할 위험을 파악하기 위해 미래를 내다봅니다. 그러면 다음에 정전이 일어났을 때 이 단계나 프로세스에서 테스트 양을 늘려야 할 수도 있습니다. 연쇄상구균 감염이 발생할 위험이 더 높기 때문입니다.
	때로는 너무 많은 막대가 있어서 계절에 맞게 추가해야 하고 더 매끄럽게 만들어야 하는 지점에 도달합니다.
	더 많은 가시성을 확보하기 위해 라인도 사용합니다. 이는 우리 사업에서 직면한 과제 중 하나인데, 나중에 자세히 다루겠지만, 사업의 계절적 요인입니다.
	그리고 우리는 매우 그렇습니다. 왜냐하면 소가 풀을 먹고 풀은 결국 우유를 만드는 데 사용되기 때문입니다. 그리고 아일랜드의 날씨는 매우 불안정하기 때문입니다.
	어느 날은 비가 오고, 다음 날은 눈이 오고, 그 다음 날은 햇살이 비치는 경우도 있습니다. 계절적 관점에서 보면 여기의 막대 색상은 각각 다른 연도를 나타내는 데 사용됩니다. 즉, 2015년, 2016년, 2017년, 2018년입니다.
	그리고 주말에만 그런 게 아니라, 주말 전체 주문을 보면 녹색이 중간에 있는 것 같아요.
	2016년과 2017년은 M자 모양을 하고 있다는 점에서 다소 유사한 반면, 2018년은 매우 매우 다르다는 것을 알 수 있습니다.
	예를 들어, 우리가 서로에게 눈덩이를 던지고 6주 후에 폭염이 찾아왔고, 물 호스 사용이 금지되었습니다.
	따라서 사업 내에서 날씨에 따라 달라지는 계절성 데이터를 사용하는 것은 매우 어렵지만, 이는 우리가 극복하려고 노력하는 과제 중 하나입니다.
	추세를 살펴보면... 추세 관점을 유지하면서 프로젝트 주도가 아닌 탐색에도 JMP를 사용합니다. 2,800개 우유 공급업체의 월 평균 데이터를 예로 들어 보겠습니다.
	단백질과 지방 모두 2년 동안 사업에 발생한 결과입니다. 따라서 여기의 모든 체크 표시는 이 경우 2018년 9월, 2018년 10월 등을 나타냅니다.
	따라서 이는 공급업체 내부와 공급업체 간에 존재하는 변동 범위를 보여줍니다. 유용한 점은 우리가 특정 대상에 대해 예를 들어 "이 사람은 왜 이렇게 높은 가격을 받는 걸까?"라고 질문할 수 있다는 것입니다.
	그는 지방과 단백질 수치가 지속적으로 높은데, 이 공급업체로부터 배울 만한 것이 있어서 다른 공급업체에도 전수할 수 있을까요?
	아니면 반대로 하위에 다른 공급업체가 있습니까?
	우유에 단백질과 지방 수치가 지속적으로 부족하기 때문에 우유 전문가의 지원과 도움이 필요합니다.
	높습니다. 이것들이 중요한 이유는 농부들이 돈을 받는 기준이 단백질과 지방 함량이기 때문입니다.
	그래서 이 경우에 특히 이 남자는 하루에 한 번만 우유를 짜는 극소수의 우유 공급자 중 한 명이라는 것이 밝혀졌습니다.
	즉, 그의 지방과 단백질 수치는 실제로 다른 사람보다 높지만, 데어리골드에 돌려줄 수 있는 양은 적다는 뜻입니다. 하지만 그건 그의 선택입니다.
	평행 플롯.
	그리고 이것들은 제가 현재 가장 좋아하는데, 한 페이지에 너무 많은 정보를 동시에, 너무 많은 다른 매개변수에 대해 보여주기 때문이라고 생각합니다.
	이건 지금 실제로 발생하고 있는 문제라서 문자 그대로 갓 나온 소식인데도 아직 실제로 문제가 해결되지 않았습니다.
	따라서 우리가 여기서 살펴보는 것은 유동층 건조기 및 사이클론의 간헐적 분말 막힘과 관련이 있다는 것입니다.
	기본적으로 분말이 건조기와 사이클론을 막고 있다는 뜻입니다. 이걸 초크라고 부르죠. 장비가 막혔으니 장비를 멈추고 청소해야 합니다.
	그래서 우리가 실제로 여기서 보고 있는 것은 다음과 같습니다.
	30개의 다양한 매개변수가 모두 X축에 측정되어 표시됩니다.
	그리고 왼쪽에서 오른쪽으로 가는 각 선은 이 30개 매개변수 각각의 설정에 대한 1분 단위의 시간을 나타냅니다. 빨간색은
	초크가 발생하기 전 1시간 동안의 분이므로 이것이 60에 대한 레벨 설정입니다.
	발생...초크가 발생하기 60분 전이며, 여기 빨간색 그룹은 9가지의 초크 발생을 나타냅니다.
	좋아요, 여기 540가닥이 아닌 것이 있는데, 이것은 효과적으로 초크가 발생하기 직전에 발생하는 일의 지문입니다.
	그리고...우리가 하려는 것은 기계 매개변수 관점에서 일반적인 정상 운영 생산 시나리오와 비교하는 것입니다.
	정말 좋아요. 두 가지를 어떻게 비교하는지 볼 수 있고, 서로 겹쳐서 볼 수도 있어서 더 좋죠. 그리고 저는... 노 초크가 배경에 희미하게 보이네요. 흥미로운 점은 실제로 볼 수 있다는 거예요.
	초크 상황이 노초크 상황과 어떻게 다른지, 그리고 무슨 일이 일어나고 있는지 이해해야 합니다. 예를 들어, 현재 논의되고 있는 질문은 다음과 같습니다.
	아시다시피, 우리는 이게 뭐든 간에...차압 수준이 낮은 것 같아요.
	그리고 대부분의 경우, 초크가 발생할 때, 이것이 우리가 주의해야 할 잠재적인 원인일까요? 이것이 초크의 원인일까요? 일반적인 주문 운영 방식에서는
	차압이 양호할 때의 매개변수도 여기에서는 높습니다. 다시 한 번 말씀드리지만, 이는 하나의 예일 뿐입니다.
	GPS 데이터를 사용하여 공급업체 위치의 패턴과 추세를 시각화합니다. 여기서는 12월의 단백질 수치와 모든 공급업체가 위치한 먼스터 지역 전체의 단백질 수치를 살펴보겠습니다. 그리고 여기 있는 각 점은 사업장 내 공급업체 위치를 나타냅니다.
	그리고 점의 크기는 공급업체가 Dairygold에 공급하는 우유의 양을 나타냅니다. 즉, 점이 클수록 농장의 실제 규모가 크다는 것을 의미합니다.
	여기에는 발산적 척도가 있는데, 우리는 부피가...단백질 수준은 3.5여야 한다고 생각하기 때문에 그 부분에는 관심이 없고 회색으로 표시되어 있습니다.
	하지만 3.5보다 큰 것은 녹색으로 표시되어 있으므로 실제로 잘하고 있는 사람들이고 빨간색은 아마도 잘하고 있는 공급업체입니다.
	죄송하지만, 단백질 함량을 높이는 데 어려움을 겪고 계신 분들을 위해 저희가 자체 데이터를 활용하여 우유 전문가의 도움이 필요한 공급업체가 있는지 확인하고, 저희가 직접 도울 수 있도록 하겠습니다. 정말 유용한 정보입니다.
	지리적 요소를 고수하면서, 우리는 오래된 신화들을 해소할 수 있었습니다. 그래서 이것들이 있습니다.
	워터쿨러에서 누군가가 NPN이 확실히 지리적으로 영향을 받는다고 말할 수 있는 토론이 있을 것입니다.
	NPN은 설명하기 꽤 어려운 개념이라, 여기서는 파인트, 맥주 한 잔에 비유해 보려고 합니다. 사실 한 잔에 더 가깝다고 생각합니다.
	아시다시피 우유에는 단백질, 지방, 유당, 미네랄, 비타민이 들어 있습니다. 이것들은 좋은 것들입니다.
	그리고, 하지만 그 외에도 많은 다른 물질이 들어있습니다. 단백질만을 전체적으로 본다면, 우유 1파인트는 농부로부터 얻은 단백질이라고 볼 수 있습니다.
	하지만 그 단백질은 기본적으로 음료의 액체 부분인 진짜 단백질로 분해될 수 있습니다.
	그리고 바로 이 부분을 우리 제조 공정에 실제로 사용할 수 있습니다. 파인트 윗부분, 여기 거품이 있는 부분은 다른 물질들, 즉 요소와 요산 등이죠.
	우리는 공급업체에 단백질에 대한 비용을 지불하지만, 불행히도 우리 공정에서 모든 단백질을 사용할 수는 없습니다. 그래서 우리는 이 부분, 진짜 단백질, 즉 진짜 단백질만 사용할 수 있습니다.
	따라서 프로세스에 따라 연중 특정 시간에 NPN(비단백질 질소) 수준이 더 높거나 낮을 수 있습니다.
	그러면 해당 제품을 특정 사이트로 보내는 것이 가장 좋을 것입니다.
	이제 다른 사이트를 살펴보겠습니다. 전략적으로 접근해 볼 수도 있겠네요. 그리고 항상 제기되는 질문은, 아시다시피, 특정 시기에 지리적 위치가 비단백질 질소 수준에 영향을 미칠 것이라는 점입니다.
	지리적 위치입니다. 그리고 여기 보이는 것은 284,000개의 데이터 포인트에서 나온 데이터입니다. 즉, 284,000개의 NPN 측정값입니다.
	아일랜드 남부 먼스터의 6개 지역에서 1년 동안 비단백질 질소의 양을 측정했습니다.
	그리고 여기의 선은 월별로 존재하는 평균과 평균의 차이를 나타낼 뿐만 아니라, 지역별로 색상 관점에서 다른 평균도 나타냅니다.
	여기의 상자 그림은 각 지역 내부와 지역 간에 존재하는 변동량을 나타내므로 평균이 다음과 같다는 것을 명확하게 알 수 있습니다.
	각 지역마다 서로 잘 어울리며 또한 변화량이 줄어들 때마다
	7월에는 티퍼레리 지역을 제외하고는 모든 지역에서 감소하는 것으로 보입니다. 다만, 이 경우 약간 이상할 수도 있습니다.
	하지만 대부분의 경우, 한 지역에서도 변화가 커지면 모든 지역에서도 변화가 커집니다.
	그래서 우리는 더 이상... 더 이상 이것저것의 잠재력에 대해 이야기할 필요가 없습니다. 데이터를 이용해서 이론을 매우 빠르게 증명하고 반증할 수 있게 되었습니다.
	5년마다 우리는 혼합 공급업체에 중간선(?) 인구 조사를 보내는데, 이를 통해 미래의 양적 의도와 공급업체가 농장에서 겪을 수 있는 과제를 이해하는 데 도움이 됩니다.
	또한 이는 회원들의 사업 방향과 투자 관점에서의 감정을 나타냅니다.
	최근 저희는 2,800개 공급업체에 각각 100개가 넘는 질문을 보냈는데, 이번 질문은 농장의 성장을 제한하는 요인이 무엇인가에 대한 것이었습니다.
	그리고 참가자들에게 아홉 가지 선택지가 주어졌는데, 이 경우에는 1번부터 9번까지 요인이 주어졌습니다. 참가자들은 제시된 요인들을 가장 중요하거나 가장 중요하지 않은 순서대로 순위를 매겨야 했습니다. 1번부터 9번까지 제시된 요인들을 순서대로 나열해 보도록 했습니다. 상상하실 수 있듯이, 2,800개의 결과가 반환되었습니다.
	각 공급업체로부터 점수를 받았지만 각 결과는 1에서 9까지의 점수를 받았으며 항상 1에서 9까지의 점수를 받은 것은 아니었고 상위 3개만 받았을 수도 있고 상위 5개나 상위 7개 등을 받았을 수도 있습니다.
	따라서 질문은, 25,000개의 데이터 포인트를 Dairygold에 보고하는 전체 농장 커뮤니티를 나타내는 하나의 명확한 그림으로 가장 잘 표현하는 방법이 무엇인가 하는 것입니다.
	결과는... 그러니까 여기 답은 단순한 모자이크 그림입니다. 여기서, 저희 공급업체 응답자의 48.8%가 4번 요소를 가장 중요한 요소로 꼽았다는 것을 아주 명확하게 보실 수 있을 겁니다.
	농장 확장을 제한하는 요인이었습니다. 그 다음으로는 5번째 요인이 뒤따랐는데, 19%가 가장 중요한 요인으로, 23%가 가장 중요한 요인으로 투표했습니다.
	두 번째입니다. 왼쪽에서 오른쪽으로 가면서 농부들에게 가장 중요한 요소들을 다시 볼 수 있습니다.
	따라서 색상은 여기에서 정말 중요하며 저는 다시 한 번 매우 다른 부분에 대해 계층화된 열 지도를 사용하여 해당 팀을 따르고 있습니다.
	소매 주문. 따라서 이 경우 주말에만 시간대별로 접수된 주문 수를 살펴보겠습니다.
	매장에 공급하기 위한 것입니다. 2015년부터 2018년까지 4년 동안 각각 금요일, 토요일, 일요일에 대한 자료입니다.
	그리고 주문이 전송되는 시간대에 대해서. 이제 농부들이 앱을 통해 주문을 보낼 수 있습니다.
	그들은 주문을 할 수 있습니다. 하지만 금요일에는 첫 번째
	젖소 젖 짜는 일이 있는데, 어떤 농부들은 새벽 5시에 나가서 "좋아요, 사료가 더 필요해요. 앱에서 자동으로 주문할게요."라고 말합니다.
	그리고 또 다시, 12시쯤에 다시 일어날 수도 있고, 떼의 착유 시간 등에 따라 달라질 수 있습니다. 하지만 여기서 중요한 점은
	주말 중 주문 접수가 가장 많은 시간대와 주문을 처리해야 하는 시간대를 파악하면 다음과 같은 사항을 이해하는 데 도움이 됩니다.
	주말 내내 효과적인 인력 수준을 유지하는 가장 좋은 방법은 일요일과 금요일에 같은 수의 직원을 배치하는 것이 의미가 없다는 것입니다. 아마도 더 많을 수도 있습니다.
	Ttme은 집중적으로 투자해야 하고, 금요일과 토요일 아침 일찍 주문을 받는 데 더 많은 인력을 투입해야 합니다. 그렇게 되면 매장의 인력 효율이 훨씬 높아질 겁니다.
	다시 한번, 색상과 우리가 알고 있듯이 멋진 분석이라는 주제를 유지하면서도 곧 거기에 도달할 것이라는 것을 알게 될 것입니다.
	하지만 색상이라는 주제를 유지하면, 여기 보시는 것은 그래픽으로 표현된 커다란 치즈 층을 보여주는 결과물입니다.
	그러니까 제가 '대'라고 하면 아마 길이 25미터, 너비 2미터 정도 될 거예요. 그러니까 이 시점에서 커드에서 유청이 다 빠져나가고, 치즈 층은 으깨져서 70조각으로 잘려 나간 거예요.
	그리고 그 스트립을 다섯 개의 블록으로 자른 다음, 왼쪽, 중앙, 오른쪽 블록의 높이를 측정했습니다.
	그래서 우리가 하려는 것은 이 거대한 치즈 덩어리의 치즈층 높이를 측정하는 것입니다.
	그리고 일단 그렇게 할 수 있게 되자, 우리는 실제로 무슨 일이 일어나고 있는지에 대한 아주 좋은 그림을 얻을 수 있었고, 색상을 가이드로 삼아 치즈 침대의 너비도 알 수 있었습니다.
	그러니까 빨간색은 높다는 뜻이고, 초록색은 약간 낮다는 뜻입니다. 여기서는 밀리미터 단위로 측정하고 있으므로 120밀리미터에서 155밀리미터입니다.
	분명히, 여기서 왼쪽 위에서 가면 약간의 경사가 있다는 것을 볼 수 있습니다.
	침대가 실제로 떨어지는 왼쪽 면과 왼쪽 아랫면으로 갈수록 높이가 더 높아지는 면입니다.
	그래서 이게 우리에게 정말 중요한데, 가변성 관점에서 우리가 이해하려고 하는 건, 블록에 차이가 있는지, 왜 차이가 있는지입니다.
	우리 공정에 들어가는 블록의 무게에 어떤 영향을 미칠까요? 이것이 바로 그 이유 중 하나를 말해줍니다. 그 이유 중 하나는 블록의 높이가 달라지면
	그렇다면 논리적으로 보면 치즈가 같은 힘으로 압축되면 블록의 무게도 달라질 것입니다.
	따라서 사람들이 그림을 통해 이해하는 것이 더 쉽습니다. 특히, 사업의 분석적 측면에 능숙하지 않은 사람들에게는 더욱 그렇습니다.
	분석에 더 들어가보면, 우리는 비즈니스 전반에 걸쳐 통계적 프로세스 제어를 많이 사용했고,
	아시다시피, 기회를 찾고 개선 사항을 검증하는 것이죠. 여기서는 이산화탄소 사용량을 살펴보고 있으며, 제품, 특히 분말 제품에 이산화탄소를 사용하고 있습니다.
	제품의 유통기한을 연장하기 위해 분말을 봉지에 담는 것은 업계의 표준 관행입니다.
	그래서 우리는 공기를 모두 빼내고 가방을 채울 때 이산화탄소를 추가합니다. 여기서 볼 수 있듯이 가방을 밀봉합니다. 특히 2017년에는 많은 변화가 있었습니다.
	그리고 우리는 그 과정을 통제할 수 있었고 2018년까지 삶이 매우, 매우 달라졌다는 것을 보장할 수 있었습니다.
	이산화탄소 평균 사용량이 크게 감소한 곳입니다. 아직 몇 가지 과제가 남아 있으며, 조사가 필요한 패턴이 나타날 수도 있습니다. 하지만
	이런 종류의 일에는 부수적인 이점도 있습니다. 왜냐하면 프로세스를 제어하고 통계적으로 동일한 것을 입증할 수 있을 뿐만 아니라 일부도 생성할 수 있기 때문입니다.
	또한 이산화탄소가 분말에 흡수되는 속도를 효과적으로 평가하기 위한 연구도 진행 중입니다.
	그래서, 이것이 정말 중요한데, 우리 제품이 이산화탄소를 어떻게 흡수하는지 이해할 수 있다면 다른 이점도 얻을 수 있기 때문입니다.
	지방이 봉지 속 이산화탄소를 흡수하면 봉지 안에 진공이 생기므로 진공이 생기면
	봉지가 가루 주위를 밀봉하기 시작하고 가루 봉지가 훨씬 더 단단해집니다.
	따라서 이제 공급망 관점에서 볼 때 팔레트에 가방을 쌓아서 운송하고 배송할 수 있게 되어 위험이 줄어들고 삶이 더 편해졌습니다.
	이제는 부드럽고 푹신하고 유연한 베개를 쌓으려는 게 아니라 콘크리트 블록을 쌓는 것과 같습니다. 그래서 양쪽 다 이득이 있죠.
	사용 중이고 저는 확실히 코더는 아니지만 아일랜드 사용자 그룹에 연락하여 많은 도움을 받았습니다.
	그리고 JMP 커뮤니티에... 사실, 특히 아일랜드 사용자 그룹에서 우리에게 많은 도움을 준 Intel의 Troy Hickey를 언급하고 싶습니다.
	JMP 커뮤니티에서는 명확성이 필요한 분야에 대해 질문을 하고 도움을 요청할 때 매우 유용합니다.
	아니면 전혀 모르는 분야에 대해, 전혀 들어본 적도 없는 사람들에게서 답변을 받는 것도 좋은 방법입니다. 전문가의 답변은 물론이고, 훌륭한 답변도 필요합니다.
	따라서 이 경우 우리는 JSL을 사용하여 일부 코드를 생성할 수 있었고 이를 생성하고 차트를 제어할 수 있었습니다.
	원하는 경우 탭 형식으로 표시됩니다. 이 경우 탈지분유, 전지분유, 탈염유청분유, 단백질 측정용 카제인에 대해
	저희 실험실에서는 다양한 테스트를 진행하고 있습니다. 현재 약 30가지의 테스트를 모니터링하고 있으며, 표준물질과 습식화학물질의 차이를 모니터링하고 있습니다.
	매일매일의 차이점과 수동 방법과 근적외선 방법, 즉 자동화된 방법의 차이점도 있습니다.
	예를 들어, 습식 화학 시험 기준을 살펴볼 때, 우리는 목표를 0으로 설정하고 싶습니다. 실험실에서 테스트한 결과와 실제 시험 결과 사이에 차이가 없기를 바랍니다.
	표준에 따르면 그래야 합니다. 따라서 우리는 목표를 0으로 설정하고 싶습니다. 이는 이 경우
	탈염 유청 분말에 단백질을 첨가하면 약간 부족합니다. 0.04이고 프로세스 프로필을 추적할 수 있으며 얻을 수 있습니다.
	프로세스 전환이 발생했음을 알려주는 프로세스입니다. 즉, 9개의 데이터... 이 경우에는 평균보다 9개 이상의 데이터 포인트가 연속으로 있어야 합니다.
	그러면 우리는 그 과정을 중단하고 더 이상 계속하지 않아야 한다는 것을 압니다. 왜냐하면 우리는 조사하고 문제를 바로잡기 위한 조치를 취해야 하기 때문입니다. 이 경우에는 과정을 바꿔야 합니다.
	그래서 이것은 우리에게 엄청나게 긍정적인 일이었고 우리는 지금 이 설정을 갖추고 매일 실행하고 있는 단계에 있으며,
	알다시피, 수백, 수백, 수천, 심지어 이 데이터 포인트 지점에서도 스크립트는 항상 마지막 42개 데이터 포인트만 표시하도록 설정되어 있습니다. 이는 제어 한계가 설정되어 있더라도 항상 마지막 주 데이터입니다.
	프로세스의 이전 데이터를 기반으로 합니다. JMP 커뮤니티에 문의해 보는 건 정말 좋습니다.
	트럭이 사업에 도착하는 시간을 살펴보면, 이 경우 자정부터 자정까지 4개의 다른 장소에 54,000대의 탱커가 도착합니다.
	현장까지의 배송 시간부터 다양한 유통 방식에 대한 정보를 제공해 드리는 것이 정말 좋습니다. 저희에게는 이 점이 중요합니다. 유조선이 현장에 오는 것을 원치 않기 때문입니다.
	그리고 우유를 내리고 가능한 한 빨리 현장을 떠나야 합니다. 우리는 다음과 같은 상황을 원하지 않습니다.
	많은 뭉침 현상이 발생하고, 현장에 따라서는 이 시나리오처럼 트럭들이 다른 트럭들 뒤에 줄지어 서 있는 경우도 있을 수 있습니다. 저희는 전체 공정에 걸쳐 원활한 흐름이 유지되기를 바랍니다.
	그리고 여기서 예를 들어 볼 수 있는 것은 아침 8시부터 9시까지입니다.
	아시다시피, 사람들이 아침 먹으러 가는 곳이죠. 저희 동네는 교통량이 더 많고, 배달도 그렇게 많지 않아요. 여기도 마찬가지로 저녁에 교통량이 더 많아요.
	트럭이 지연되거나... 운전기사들이 저녁 먹으러 나갔거나 등등. 그래서 저희는 그 부분을 좀 더 깊이 파고들어 각 사이트별로, 예를 들어 클론멜 로드와 캐슬팜 두 사이트, 이렇게 두 사이트에 대해 "괜찮다"고 말할 수 있습니다.
	도착하는 도로의 경우, 이 사이트들은 서로 매우 가깝습니다. 북쪽, 남쪽, 동쪽, 서쪽으로 도착하는 도로의 경우,
	그것이 어떻게 보이고 우리가 원하는 데이터 전체에 걸쳐 명확한 분포가 있는지 또는
	예를 들어, 동쪽에서 24시간 배송이 불가능한 운송업체가 있나요? 그러면 우리는 무슨 일이 일어나고 있는지 파악하고 그 정보를 활용할 수 있습니다.
	그리고 펌프 오프로드 비율에서 알 수 있듯이 이 경우에는 11개의 펌프가 오프로드 중인 두 사이트가 있습니다.
	1년에 두 곳에서 5억 리터가 넘습니다.
	그리고 우리는 어떤 펌프가 다른 펌프보다 더 효율적이거나 덜 효율적인지 이해하고 싶습니다. 그리고 분명히, 여기서 더 높은 부하율을 가진 네 개의 펌프가 있다는 것을 알 수 있습니다.
	그래서 그들은 다른 펌프들보다 같은 시간에 더 빠르고 더 많은 모유를 펌핑할 수 있습니다. 그리고 여기서 볼 수 있듯이
	2번 현장에서는 3번 펌프가 가장 효율이 높은 펌프이고, 전반적으로 4번 펌프와 3번 펌프는 효율이 가장 낮습니다. 따라서 정비 점검을 실시한다면, 이 펌프들을 먼저 점검해야 한다는 것을 알 수 있습니다.
	우리는 JMP를 사용하여 우수성과 기회 모두에 대한 측정 시스템을 평가합니다.
	너무 많아서 더 이상 기록할 수도 없어요. 이 경우, 오르토인산염(?)을 보면, 아시다시피, 표준 게이지 R&R이고 결과가 정말 좋아요. 그래서
	19개의 고유한 범주 수; 19개는 우수하고 게이지 R&R은 .5이므로 10개 미만이 이상적이며 이는 우리가 정말 좋은 것을 가지고 있다는 것을 의미합니다.
	지속적으로 신뢰할 수 있는 측정 시스템이 구축되어 있습니다. 어떤 분석가에게 어떤 자료를 전달하든 그들은 항상 같은 결과를 제공할 것입니다.
	따라서 검사를 실시하는 사람은 검사 결과에 영향을 미치지 않습니다. 이는 항상 보고 싶은 바였습니다.
	때로는 주관적인 측정 시스템을 사용할 수도 있고, 속성 일치 분석도 수행해야 할 수도 있습니다.
	따라서 이 경우 우리는 포장된 제품의 시각적 평가를 살펴보고 있으며 둥글림이나 손상된 모서리 또는 엠보싱과 같은 것을 찾을 수 있습니다.
	가독성 등이 개선되었습니다. 개선 후, 감정사들 간의 의견 일치도가 90~95%에 달하는 것을 보실 수 있습니다.
	전체적으로 보면, 일치하고 동의한 부분의 수 측면에서 합의 수준은 82%입니다.
	각 사업자 내부와 사업자 간에서도 중요하지만, 아마도 더 중요한 것은 표준에 대한 정렬, 즉 효과성입니다.
	그리고 나중에 표준에 대한 동의율이 96%에 도달한 것을 확인할 수 있으니, 정말 좋은 결과입니다. 그리고 다시 말씀드리지만, 저희는 주관적인 평가일지라도 제품의 등급을 신뢰할 수 있도록 보장할 수 있습니다.
	물론 다양한 요인의 효과를 정량화하기 위해 실험을 설계할 수도 있습니다. 따라서 이 경우, WPNI, 즉 유청 단백질 질소 지수를 살펴보겠습니다. 이는 측정 수준입니다.
	우리 제품의 단백질 변성은 제품이 받은 열처리 수준을 나타내는 지표이며,
	실례합니다. 열처리 수준이 적용에 영향을 미칠 수 있기 때문에 정말 중요할 수 있습니다.
	고객 관점에서 보면 그렇습니다. 예를 들어, 잘못된 수준의 열처리가 적용되었다면, 우리 제품을 사용하여 요구르트를 만들고 싶어 하는 고객에게 문제가 발생할 수 있습니다.
	그러면 그 제품은 적합하지 않을 겁니다. 왜냐하면 곡물 같은 느낌, 입에 곡물 같은 느낌이 남을 수 있거든요. 그래서 요거트 같은 제품에는 적합하지 않아요.
	그래서 우리는 일관되지 않은 유청 단백질 질소 지수 결과에 문제가 있었고 우리 절차에서 약간의 모호함이 발견되었습니다.
	해석의 여지가 있었다는 점에서요. 그래서 뭔가를 흔들어 달라고 말할 수도 있었죠.
	이 병을 흔드세요. 그냥 흔드세요라고만 적혀 있을 수도 있고, 누군가는 5초간 흔드세요라고 말할 수도 있고, 다른 누군가는 10번 뒤집었어요라고 말할 수도 있고, 또 다른 누군가는 30초간 세게 흔드세요라고 말할 수도 있습니다.
	그래서 모두가 최선의 의도로 절차를 따르고 있지만, 절차가 모호하다면 해석에 따라 문제가 생길 수 있고, 그로 인해 일관성이 떨어질 수도 있습니다.
	그래서 우리가 하려는 것은 프로세스 변화에 영향을 줄 수 있는 요소를 이해하기 위해 실험을 설계하는 것입니다.
	여기 염화나트륨 용액이 있습니다. 즉, 소금물 용액에 시작 막대를 넣은 것과 시작 막대를 넣지 않은 것입니다.
	더운 곳에서의 지속 시간은 45분에서 60분이며, 여기에 있는 용액을 사용하여 이 작은 테스트 계획을 세웠습니다. 수조의 온도는 37도와 40도입니다. 이것은 여기 색상으로 구분된 네 가지 용액 중 하나입니다.
	그리고 수조를 흔드는 간격과 염산 방울 수도 있습니다.
	그리고 다시 대화형 탐색기를 사용하여 WPNI 결과가 낮을 때 프로세스에 어떤 문제가 있는지 확인할 수 있습니다.
	여기서 무슨 일이 일어나고 있는지 이해하는 것이 더 어렵기 때문에 당연히 우리는 조금 더 나아가서 몇 가지 모델을 구축하고 무슨 일이 일어나고 있는지 이해해야 합니다.
	여기서 모델은 우리가 말하는 강점 측면에서 매우 훌륭하며, R 제곱은 약 68%에 불과합니다.
	그리고 여기서 주요 효과를 바로 볼 수 있는데, 가장 큰 주요 효과는 수조의 온도이고, 그 다음으로는 교반 막대의 지속 시간과 열판의 상호 작용 효과입니다.
	그리고 우리는 또한 효과를 볼 수 있습니다. 어떤 매개변수가 당기고 있는지... 어떤 효과가 당기고 있는지.
	프로세스가 어떤 방향으로 진행되는지도 알 수 있습니다. 그리고 하단에는 귀중한 예측 프로파일러도 있습니다. 무슨 일이 일어나고 있는지 살펴볼 수 있습니다.
	제가 좋아하는 점은, 실험 결과를 가끔 사용할 수 있다는 것입니다. 글쎄요, 저는 가끔 이런 실험의 결과를 교육적인 관점에서 사용합니다.
	그래서 저는 앞서 핫플레이트에서 교반 막대와 지속 시간이 중요한 요소라는 점과 이것이 상호 작용 효과라는 점에 대해 말씀드렸습니다. 즉, 한 요소의 효과가 다른 요소의 레벨 설정에 따라 달라지는 것입니다.
	하지만 당신은 할 수 있습니다. 당신은 페이지의 누군가에게 상호 작용 효과를 설명하려고 할 수 있습니다. 우리는 선을 교차했고 교차된 선은 다음을 의미합니다.
	강한 상호작용이고, 선들이 평행하지만 교차할 것처럼 보인다면 작은 상호작용입니다. 아니면 실제로 데이터를 가져와서 그래프로 나타낼 수도 있습니다.
	그리고 이 경우, 많은 사람들이 실제로 두 가지 요소 간의 상호 작용이 어떤 모습인지 본 적이 없습니다. 상호 작용은 어떤 모습인지, 그리고 이것을...
	교육용 도구로도 활용할 수 있습니다. 예를 들어, 여기 y축에는 WPNI 결과가 있습니다.
	핫플레이트에서 45분과 60분을 두었는데, 45분에 고정하고 교반 막대를 사용하지 않고 45분으로 바꾸면 이 수준에서 이 수준으로 올라간 것을 볼 수 있습니다.
	반면 60분으로 가면... WPNI 레벨이 여기 있는데, 교반 막대가 없고 교반 막대로 넘어가면 뚝 떨어지는 걸 볼 수 있어요. 그러니까
	여기서는 점프가 여기만큼 크지는 않지만, 즉시로 보면 핫플레이트의 교반 막대와 지속 시간에 영향을 미치는 상호작용이 매우 크다는 것을 보여줍니다.
	그리고 이것이 바로 우리가 얻고 있는 것인데, 다시 한번 말씀드리자면, 많은 프로세스 지식과 이해가 필요합니다. 분류 도구도 활용할 수 있는데, 이 경우에는 의사결정 트리를 활용해 보려고 합니다.
	따라서 이것은 치즈의 갈색화와 관련된 R&D의 질의이고, 들리는 대로 치즈의 갈색화와 관련이 있습니다.
	오븐에 넣으면 열이 가해지니까, 피자처럼요. 치즈가 너무 빨리 타지 않도록 주의해야 하거든요. 예를 들어 체다 치즈를 피자에 얹으면 너무 빨리 타지 않도록 해야 해요.
	약간의 생명력과 요리법을 원하실 겁니다. 다시 말씀드리지만, 분류의 한 예, 아니, 의사 결정 트리를 살펴보겠습니다.
	원하는 경우 밝은, 중간 및 어두운 갈색의 세 가지 다른 수준이 나무로 표현되며 색상은 녹색입니다.
	각각 호박색과 빨간색입니다. 그리고 여기서는 러닝 시 pH가 가장 중요한 요소임을 알 수 있습니다. 특히 러닝 시 pH가 6.48보다 높으면,
	그러면 공정의 99.3%가 옅은 갈색으로 변할 거라는 걸 알 수 있는데, 바로 우리가 원하는 결과입니다. 녹색은 양호, 빨간색은 불량입니다. 마찬가지로 pH가 6.48 미만이면 위험하다는 것을 알 수 있습니다.
	그리고 우리는 샘플을 채취합니다. 즉, 우리 블록의 치즈, 문자 그대로 20kg 블록의 치즈를 모서리에서 채취하면 31%의 확률이 있다는 것을 알 수 있습니다.
	짙은 갈색으로 변색되어서 좋지 않을 겁니다. 그래서 이 관점에서 보면, 우리는 그 크기를 볼 수 있습니다.
	개체 수를 나타내는 카운트도 이를 발생시키고 있으며, 트리의 리프 노드 종료 측면에서도 마찬가지입니다. 따라서 다음을 얻을 수 있습니다.
	이 경우 갈변 분류와 같이 가장 잘 구분되는 중요한 요소에 대한 관점에서 프로세스에서 무슨 일이 일어나고 있는지에 대한 좋은 감각이 필요합니다.
	여기서 은밀한 부트스트랩 포레스트라고 하는 이유는 JMP에서 은밀한 부트스트랩 포레스트가 충분히 활용되지 않은 도구라고 생각하기 때문입니다. 의사결정 트리가 무엇을 하는지, 어떻게 작동하는지 이해한다면, 그것이 매우 강력한 도구라는 걸 이해할 수 있을 겁니다.
	그리고 솔직히 말해서, 의사결정 트리에 사용되는 알고리즘이 반복적 이분법인지 아니면
	C 4.5 또는 5.0 또는 무엇이든, 하지만 내가 아는 것은 예측자 스크리닝이 백그라운드에서 결정 트리 알고리즘을 활용하고 부트스트랩 포레스트를 사용한다는 것입니다.
	표본 추출을 통해 이러한 나무들을 여러 개 만들어서 모두 붙여서, 원하시면 나무들의 평균 결과를 얻을 수 있습니다. 이 경우, 지적하자면, 이것은
	이전에 30개의 다른 기계 매개변수에 대한 병렬 플롯 예제를 살펴보았는데, 이 경우 실제로 31개가 있다는 것을 알 수 있습니다.
	제가 팀으로 돌아갔을 때, 노즐 공기압에 뭔가 다른 점이 있다고 말했고, 그것이 중요한 요소인 것 같다고 했습니다. 예측 검사에서 그 사실을 알려주었습니다.
	방 뒤쪽에서 손이 올라갔고 그들은 실제로 이렇게 말했습니다.
	모든 매개변수 중에서 이건 아마 거기에 들어가서는 안 될 매개변수일 겁니다. 사실 기계 매개변수가 아니거든요. 뭔가 튀어나올지 보려고 우리가 직접 넣어본 것뿐입니다.
	그리고 물론, 이 부분은 페이지에서 튀어나온 부분이어서 따로 꺼내서 평가해야 했습니다.
	그리고 저는 프레젠테이션 측면에서도 거의 거기에 도달했습니다.
	모델을 사용하여 미래 성과를 예측하는 것이 바로 통찰력에서 예지력으로 옮겨가는 단계입니다.
	여기서 우리는 1,438개의 관찰 결과를 바탕으로 76%의 모델 효율성을 보이는 상당히 강력한 모델을 만들었습니다.
	질문은 주중 어느 날이나 연중 어느 주에든 회사에 들어오는 주문 수를 예측하는 데 도움이 되는 도구를 구축할 수 있는지 여부였습니다.
	또한 우리가 받을 주문 수량을 예측해 주시겠습니까?...죄송합니다. 또한 우리가 같은 날에 받을 주문 수량을 예측해 주시겠습니까?
	따라서 우리는 모든 과거 데이터를 수집하고 예측 프로파일러를 사용하여 계절적 관점에서 예측하려는 내용과 가장 일반적인 연도를 선택할 수 있었습니다.
	그런 다음 해당 월, 원하는 날짜, 요일로 가서 해당 날짜가 은행 휴무일인지 아닌지 확인하세요.
	여기 보시다시피, 두 가지 설정이 있습니다. 하나는 공휴일이고, 다른 하나는 공휴일이 아닐 때 설정하는데, 두 설정 모두 상당한 차이가 있습니다.
	여기서도 은행 휴무일과 요일 간의 상호작용 효과가 나타납니다. 따라서 비즈니스 상황으로 돌아가서
	2019년 10월 26일, 목요일이자 공휴일이 아닌 요일이라면 120건의 주문이 들어올 것으로 예상되며, 이는 약 1,100톤의 제품이 들어오는 것과 같습니다.
	실제로 두 주말에 걸쳐 이 실험을 진행했는데, 한 주말은 공휴일이 있었고 다른 주말은 공휴일이 없었는데, 실제로는 85%였습니다. 정말 좋은 결과죠. 모델이 76%였음에도 불구하고 실제로는 꽤 좋은 결과를 보였습니다.
	그런 다음 통찰력에서 예지력으로, 우리는 다시 계절의 확실성을 고려하려고 노력합니다.
	여기에는 2015년, 2016년, 2017년, 2018년 등 다양한 색상으로 표시된 여러 연도가 있습니다. 그리고 우리는 숫자를 보고 있습니다... 일부 사료 주문량은
	사업입니다. 각 점은 주간 주문량을 나타냅니다. 여기서 제가 과하게 작업한 부분은 실제 예측 모델을 겹쳐서 예측된 값을 표시한 것입니다.
	각 주별로, 실제값 대비 정확도 측면에서 모델이 어떤지, 즉 실제값과 예측값을 비교해 볼 수 있습니다.
	그리고 사용할 수 있게 되었고, 솔직히 말해서 기억이 나지 않지만... 계절적 지수 예측이거나 계절적 ARIMA였습니다.
	계절적 ??? 지표 이동 평균을 사용해 향후 6개월이 어떻게 될지 알아보세요.
	계절성이 문제가 되는 우리 사업에 있어서도 이는 매우 귀중한 가치이며, 우리는 이러한 도구를 사용하여 앞으로 사업에서 어떤 수준의 주문을 기대할 수 있는지 높은 확신을 가지고 이해할 수 있습니다.
	마지막으로, 이전에는 이 영역에 대해 다루지 않았기 때문에 다소 무리가 있을 수 있지만, 신경망에 대해 이야기해 보겠습니다. 이 경우 신경망을 사용하여 공정에서 퇴적물을 분류할 수 있는지 확인하기 위한 시험으로 활용합니다. ADPI 결과가 나오면,
	퇴적층에서 나온 탄 입자가 꽤 있는데, 아마 건조 과정에서 나온 것 같습니다. 지금 상태는 A, B, C, D 중 어디쯤 됩니까?
	여기서 체 결과는 체에 남아 있는 입자의 수를 나타내고, 텀블러 결과 T1B1은 위와 아래를 나타냅니다.
	T1은 물 위에 떠 있는 입자의 수를 나타내고, B는 바닥에 있는 입자의 수, 즉 바닥으로 가라앉은 퇴적물의 수를 나타냅니다.
	그리고 여기 신경망에서 다시 사용하고 K겹 교차 검증을 사용했기 때문에 K가 10으로 설정되었다고 생각합니다. 우리는 9개를 가지고 있습니다.
	활성화 함수도 여기에 있는 것 같아요. 네, 하이퍼볼릭... 선형, 가우시안, 그리고 하이퍼볼릭 탄젠트도 있는 것 같아요.
	그리고 우리는 이것들 각각을 사용할 수 있습니다
	활성화 함수에 입력할 입력 노드도 있고, 출력 계층도 있는데, 여기서 최종 결과를 얻을 수 있습니다. 따라서 다음을 사용할 수 있습니다.
	이 경우 6,245개의 결과가 있습니다.
	모델을 학습시킨 후, 교차 검증을 통해 검증을 완료하면 혼동 행렬을 만들 수 있는데, 이 역시 꽤 좋습니다. A1/A2에 값이 많지 않다는 뜻입니다.
	A1과 마찬가지로 B등급까지 내려갔지만, A2등급이 있다면 어떤 등급인지 보여주는 것 같습니다.
	우리는 그 중 35개가 진짜 2이고 2개만이 A1일 것이라고 예측했습니다. 따라서 약간의 오류가 있을 수 있으며 오류는 모델이 어떻게 되었는지에 따라 발생할 수 있습니다.
	아시다시피, 처음에는 각각의 차이점을 수동으로 평가하려고 시도한 평가자에 의해 만들어졌습니다.
	결과에 모호한 부분이 생겨 최종 결정을 내리려고 하는 경우가 많습니다. 그래서 여기서 질문은, 최종 결정이 어떻게 될지 상당한 정확도로 예측하는 기계를 만들 수 있을까요?
	그리고 다시, 우리는 여기에서 A1로 지정된 등급을 받을 확률이 텀블러 결과가 T1B1인 경우 매우 높을 것으로 예상합니다. 플로터나 싱커가 거의 없습니다.
	그리고 체 결과도 입자의 양 측면에서 매우 낮았다면 A1에 대한 결과가 여기에 있을 것으로 예상할 수 있습니다.
	여기서 A1이 보인다는 것은 모델 훈련이 예상보다 효과적이지 못했거나 모델에 오류가 있었을 가능성을 나타냅니다.
	그리고 다시 한번, 당신은 여기에서 만들어진 매우...꽤 복잡한 모델을 볼 수 있습니다.
	이 부분은 좀 불분명한데, 신경망 관점에서 보면 우리 모두 알고 있을 거라고 생각합니다. 하지만 다시 말씀드리자면, 머신러닝과 AI 분야로 나아가기 시작하면서 우리에게는 엄청난 양의 프로세스 지식과 개념 증명이 필요하다고 생각합니다.
	그래서 저는 제가 사람들에게 많은 것을 쏘았다는 것을 알고 있고, 그것은 상당히 서두르게 진행되었고, 아마도 전체에 대해 몇 시간 동안 말할 수 있었을 것이고 사과드립니다... 서두르는 것처럼 느껴졌다면 사과드립니다. 그러나 제가 말하고 싶은 것은 단지 결론적인 생각의 관점에서 말하고자 하는 것입니다.
	어떤 산업에 종사하든, 심지어 전형적인 데이터 분석 환경과는 매우 거리가 먼 농업 산업에 종사하더라도, 어떤 산업에 종사하든 상관없이 다음을 사용할 수 있다는 것이 입증되었다고 생각합니다.
	데이터 분석을 통해 기업에 상당한 가치를 더할 수 있으며, 기업의 거의 모든 부분에 다가가 도움을 줄 수 있습니다.
	또한, 간단한 그래픽 분석의 가치를 과소평가하지 마십시오. 이 프레젠테이션의 절반쯤에서야 JMP에 내장된 더욱 강력한 분석 기능들을 소개하기 시작했습니다.
	모든 고급 도구의 사용법을 아는 게 좋다고 생각하고, 그걸 위한 적절한 때와 장소가 있는 건 사실이지만, 아시다시피 간단한 것도 정말 강력할 수 있고, 그 가치를 과소평가하지 마세요.
	그 외에도, 들어주셔서 모두 감사드려요. 정말 감사하고, 질문이나 의견이 있으시면 언제든지 환영합니다. 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링데이터 탐색 및 시각화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링