756671_zh-CN

liliconcom

Dairygold 数据挖掘：从条形图到神经网络 (2021-EU-30MP-735)

Kieran O'Mahony，Dairygold 数据科学与分析经理

在现代社会，数据分析的应用通常更多地与金融、医疗保健、制药、医疗器械、半导体、电子商务等行业联系在一起。“农业”和“分析”这两个词很少出现在同一个句子中。本次研讨会将深入探讨一家拥有悠久传统和历史的企业如何拥抱并鼓励数据分析，从而确保其不再被视为“数据丰富但信息匮乏”的企业。本次研讨会将展示多个案例，展示JMP如何帮助Dairygold实现更多数据驱动的决策。

自动生成的成绩单...

扬声器	抄本
基兰·奥马奥尼	好的，非常感谢，我叫 Kieran O'Mahony，我是爱尔兰 Dairygold 的数据科学和分析经理。
	我的演讲题目是“从条形图到神经网络挖掘 Dairygold 的数据”。
	因此，我认为可以公平地说，数据分析的使用通常与金融、医疗保健、制药、半导体等行业更相关，而且“农业”和“分析”这两个词很少出现在同一个句子中。
	因此，本次会议旨在深入了解一些非常传统的企业如何接受并鼓励在整个企业中使用分析。
	因此，这次会议可能与你在 Discovery 上看到的其他会议有所不同，因为我在这里尝试做的不是专注于一个项目，而是展示多个如何
	Dairygold 使用 JMP 在整个业务范围内（不仅仅是在制造业）实现了更多数据驱动的决策，我认为这很重要。
	因此，在开始之前，我想有必要先介绍一下业务背景、概述以及我们所做的事情。
	So Dairygold 是爱尔兰领先的农民合作社，拥有位于金谷中心地带的最先进的奶酪和营养粉生产设施。
	好的，只是为了解释一下，作为一个合作社，我们基本上......基本上意味着我们归牛奶供应商所有，也就是归农民所有。
	因此，我们有 2,800 家牛奶供应商每天为我们提供牛奶，其中每一家都是股东，因此这种商业模式有点不寻常，因为原材料供应商也是企业的所有者。
	去年的营业额是12亿欧元，我们大约有1200名员工，每年加工约14亿升牛奶，所以每天我们收到的牛奶量相当大。事实上，
	在高峰期，因为我们的业务是季节性的，所以在高峰期生产时，我们谈论的是每天有超过 600 万升牛奶到达各个站点。
	我们也有零售店，你可以买到从锤子到家用电器、农用设备等各种商品。我们也涉足农业领域，在自己的工厂生产动物饲料。
	Dairygold 已经存在很长时间了，它起源于 1908 年，当时名为 Ballyclough，1919 年更名为 Mitchelstown，1990 年更名为 Dairygold。
	我们可能已经走了......好吧，不是可能......可以公平地说，我们已经从多年前用马车运送牛奶的时代走了很长的路。
	这是一个非常传统的组织，有着悠久的历史，但也是一个非常进步的组织。
	当我说我们已经取得了长足进步时，你知道我们现在拥有一个非常庞大的供应链和一支油轮船队，每艘油轮，
	举个例子，每辆油罐车运输约26000升牛奶，我们每天从2800家供应商那里收集牛奶。这是一个非常复杂的供应链，因为
	我们不仅从供应商处收集牛奶，而且还从奶酪加工厂收集乳清，如果我们没有自动将其引导到
	通过管道输送到不同的地点。所以我们也用油罐车收集，然后运输到其他地点。
	我们对销售给其他客户的脱脂牛奶浓缩物和脱盐乳清浓缩物也采取同样的措施，此外，我们还分销粉末部分和奶酪部分业务。
	我们还拥有欧洲最大的一些烘干机（？），您可以在这里看到一个跨越五六层楼的烘干机。
	因此，在过去的五六年里，Dairygold 在所有工厂投资了超过 4 亿美元，因此可以确保...确保我们...
	我们可以满足未来奶池规模扩张的需求。就我们生产的产品而言，我们生产
	粉末和奶酪，大部分是全脂奶粉、脱脂奶粉和蛋白粉，以及许多不同类型的奶酪，尤其是奶酪和切达干酪。
	我们供应多个领域的产品，从糖果、比萨饼到咸味食品、酸奶和加工食品，甚至还有婴儿配方奶粉和婴儿食品。
	而且您很可能……如果您今天吃过东西，那么很有可能您还吃了一些脱脂奶粉或全脂奶粉，因为如今，这种成分在很多食品成分中都很常见。
	这就是我们业务的背景。就数据而言，我认为可以公平地说，很多企业看起来数据非常丰富，但信息却匮乏。
	也可以公平地说，你拥有的数据越多，有时随之而来的混乱也越多。
	有时我认为，即使你掌握了所有信息，并且……你掌握了这些人群，并且你知道，你对具体情况有一个概念
	您需要提取数据才能从企业中获取有用的信息，但有时企业并不确切知道如何处理这些数据。
	从 Dairygold 的角度来看，我们想要做的是尝试更多地远离大脑的右侧，我认为它的重点是使用假设、直觉、猜测和直觉，
	并更多地转向大脑的左侧，那里更注重使用逻辑、数学、推理和科学，但这也是我们希望在业务中更多地使用并在整个业务中使用更多数据驱动的决策。
	有一次，在一次演示之前，有人要求我总结一下 Dairygold 的数据策略，并将其写在一页纸上，我想当时，我……
	那时我才意识到我们当时可能没有一个完善的数据策略。
	但我现在尝试做的只是用一张图片展示我们的实际数据策略，这非常简单。
	因此，我们希望获取业务中存在的数据，并通过分析将其转化为有用的信息。
	从这些信息中，我们可以得到关键问题的答案，有时我们不仅得到了问题的答案，有时
	我们最终会提出更多问题。但这些问题非常重要，也非常有力，因为这些问题是我们一开始并不知道该问的。
	所以有时我们需要回过头来再次查看我们的数据，以帮助我们得到这些问题的答案。
	但最终，当我们对所有问题都有了答案时，我们就会处于更有利的地位，并且对我们的流程有更深入的了解。
	有了这种洞察力，我们就能及时做出一些以数据为依据的决策，并给我们正确的……引导我们朝着正确的方向前进。
	如果我们足够了解我们的流程，我们有足够的洞察力，那么我们应该能够利用这些数据来
	高度准确地理解未来可能发生的事情。因此，良好的洞察力也应该使我们能够拥有良好的预见性，从而能够预测将要发生的事情。
	因此，正如我在一开始所说的，本次演示的目的是提供一些 Dairygold 使用数据的不同方式的例子。
	我想说，从内部角度来看，我们在根据数据做出决策方面已经走了很长一段路，现在我们开始进入整个机器学习和人工智能领域。
	所以我坚信简单也可以非常强大。
	这就是为什么这个演示被称为“从条形图到神经网络”。
	我认为，强调这一点非常重要，即从非常简单的分析中也能获取巨大的价值。所以我想在这里分享的第一个例子就是条形图。
	但有时我认为人们可能会在演示文稿中使用横跨多页的条形图，而使用 JMP，只需将所有信息放在一个
	视图。在本例中，我们观察的是清洁过程中的硝酸，在顶部，我们可以看到硝酸清洁过程各个阶段的每个数据点。
	你可以看到每个步骤中使用的硝酸量。下一步我们要看的是……查看使用次数，也就是该步骤的循环次数。
	这里我们查看的是每个步骤中硝酸的平均用量。例如，我们可以看到，
	你知道，我们这里的平均用水量较高，每周 24 升，但这一步骤发生的频率只有四次，
	显然，这个异常值造成了偏差，所以这显然是有偏差的，而且对我们来说可能更重要的是，因为我们在这里试图理解
	并减少每日、每周、每月使用的硝酸量，即整个过程中每个工艺步骤所用硝酸的总和。
	重要的是……我想，对我们来说，在这里强调什么是重要的，这只是简单的条形图，但它给了我们很大的方向
	在业务上，让我们离开……抱歉，避免让我们离题，因为当我们查看所有这些数据时，我们可以看到
	三个不同的区域都很明显。我们进行了最终漂洗、预漂洗，以及另一个最终漂洗步骤。数据显示
	在这些冲洗步骤中使用了酸，但这是不可能的，因为冲洗步骤只涉及水。
	因此，进一步挖掘表明，供应商最初在我们的扫描仪系统上设置了错误的数据标签
	监测流速。我们以为我们实际上在监测硝酸的使用量，但实际上并没有。我们被错误地告知了。所以
	我们确实可以深入挖掘并了解我们的流程和驱动它的因素，但非常简单的条形图通常可以指明正确的方向，我们能够准确地了解我们的业务中真正发生的事情。
	我们在商业中使用条形图，说实话，这可能是我最喜欢的条形图在商业中的用途之一，因为它非常简单。
	但它显示...它在一页上显示了停机时间的四个不同维度，非常简单，非常用户友好，使用和阅读都很直观，我认为也是如此。
	所以我们这里显示的是奶酪工厂每月监控到的停机时间。所以你看到的是 Y 轴上的停机时间（分钟）。
	奶酪工厂内六个不同区域的每一个，每个月的四月、五月、六月、七月等等，直到九月，按降序排列，我想，按时间顺序排列，真的
	针对 A、B、C 和 D 班次。现在，你可能会认为这些数据是编造的，因为分钟数太少了，但从
	从奶酪生产的角度来看，工厂不会停止运转。所以这些是真实的数字，我的意思是，我们每月以分钟为单位监控停机时间。
	如果该过程停止，则产品的 pH 值会发生变化，这可能会对
	产品的最终销售价格和质量也是如此，因此我们不能停止。
	这就是我们目前在维护方面的水平。时间已经缩短到几分钟，很明显，BetaVac 的问题不大，但对于 Blockformers 来说，我们发现 C 和 D 班次出现了问题。
	Blockmaster 上的 C 出现了更多问题。在传送带区域，C 又跳出来了，角撑板 C 和 D 也出现了同样的问题。
	这里C班和D班可能还有更多问题。因此，我们从分析中得出的结论是，从维护的角度来看，C班和D班次遇到了一些困难，需要更多支持。
	我们特别喜欢动态链接
	JMP 元素也用于数据探索。而且，在这种情况下，我应该指出，我们公司内部有很多实验室，所以我们有微生物实验室、化学实验室、？？？实验室，
	我们对牛奶、奶酪、水以及加工产品和成品进行检测，并对业务的大量元素进行检测。
	正如你所见，这个交互式链接功能被制作成了一个交互式 HTML，
	以便整个企业中的不同人员可以共同构建一个存储库，然后能够查看它并与之交互。
	因此，我们在这里尝试做的是创建一个存储库，以便我们能够发现业务中存在的问题，因此在这种情况下，我突出显示了阻塞...抱歉，我显示了堵塞的管道和蒸发器 CIP 和断电。
	点击“停电”时，你会看到绿色条形图中的阴影区域被高亮显示。所以在这种情况下，你会看到停电，八月份发生过一次或多次停电。
	它影响了这里的加工阶段，特别是在这些过程中最常见的微生物是链球菌。
	因此，这里的价值在于，当我们从因素角度不断向此存储库添加问题时，将能够
	展望未来，了解发生某些事情时对企业的风险，这样我们就知道下次停电时，我们可能需要增加此阶段或过程中的测试量，因为发生链球菌感染的风险更高。
	有时你会发现酒吧太多了，你需要添加季节性和更平滑的
	也是为了增加可见度。这是我们在业务中面临的一个挑战，我稍后会谈到，那就是业务的季节性因素。
	我们非常重视这一点，因为奶牛吃草，而草最终显然被用来生产牛奶，而且因为爱尔兰的天气非常不稳定。
	今天可能下雨，明天可能下雪，后天可能阳光明媚，所以从季节性的角度来看，这里的每种条形颜色都代表不同的年份，例如 2015、16、17、18。
	我应该补充一下，它也只是在周末，并且它会查看周末的整体订单，以了解中间的绿色情况。
	您可以看到 2016 年和 2017 年有些相似，因为它们都呈 M 形，而 2018 年则非常不同。
	举个例子，我们都在互相扔雪球，六周后，出现了一股热浪，我们禁止用水管。
	因此，在业务中使用实际上受天气影响的季节性数据非常非常困难，但这是我们尝试克服的挑战之一。
	所以，从趋势来看……为了保持趋势视角，我们也使用 JMP 进行非项目驱动的探索。这里有一个示例，2800 家牛奶供应商平均每月
	蛋白质和脂肪的分析结果都来自两年内的数据。因此，这里的每个刻度线代表的是2018年9月、2018年10月等等。
	所以它显示了我们供应商内部和供应商之间存在的差异范围。有用的是，我们可以进行细分，例如，我们可以针对这个人进行具体分析，为什么这个人的利润这么高？
	他的脂肪和蛋白质含量一直很高，我们可以从这个供应商那里学到一些东西，然后分享给其他供应商吗？
	或者相反，低端市场还有其他供应商吗？
	这可能需要我们的牛奶顾问提供一些支持和帮助，因为他们一直无法从牛奶中获取足够的蛋白质和脂肪
	高。这些很重要，因为蛋白质和脂肪的含量是农民获得报酬的参数。
	因此，在这种情况下，事实证明这个人是极少数选择每天只挤一次奶的牛奶供应商之一。
	所以，这意味着他的脂肪和蛋白质水平实际上比其他人都高，但他回馈给 Dairygold 的量较少，但这是他的选择。
	平行情节。
	这些是我目前最喜欢的，因为我认为它们在一页上同时显示了很多不同参数的大量信息。
	这是一个实际正在发生的问题，所以这实际上是刚刚曝光的，但问题实际上还没有得到解决。
	所以我们在这里看到的是...这与流化床干燥机和旋风分离器中间歇性粉末堵塞有关，
	这基本上意味着粉末堵塞了干燥机和旋风分离器。我们称之为堵塞，所以设备堵塞了，我们必须停止设备并清理它们。
	所以我们实际上在这里看到的是
	30 个不同的参数，全部测量...全部显示在 X 轴上。
	从左到右的每一行代表这 30 个参数的设置时间，每行代表一分钟。红色表示
	发生阻塞前一小时内的分钟数，所以这些是级别设置，如果你愿意的话，60
	发生...任何阻塞发生前 60 分钟，这里的红色组代表九种不同的阻塞发生情况。
	好的，这里不是 540 股，所以这实际上就是窒息发生之前发生的事情的指纹。
	而当……我们试图从机器参数的角度将其与典型的正常运行生产场景进行比较。
	这真的很好，因为你可以看到它们的对比，甚至更好，如果你能把它们叠加在一起，我……没有窒息的声音在背景中变成了重影。所以现在有趣的是，我们实际上可以看到
	阻塞场景与非阻塞场景有何不同，并了解发生了什么。例如，目前正在探索的一个问题是，
	你知道，我们的压差似乎较低。
	在大多数情况下，当我们遇到阻塞时，这是否是一个我们应该留意的潜在因素？这是导致阻塞的原因吗？因为典型的订单操作
	当压差条件良好时，参数也很高。这只是一个例子。
	使用GPS数据来可视化供应商位置的模式和趋势，我们这里关注的是12月份以及整个芒斯特地区的蛋白质水平，我们所有的供应商都在那里。这里的每个点代表公司内部的一个供应商位置。
	点的大小代表供应商向 Dairygold 提供的牛奶量，所以点越大，农场实际上就越大。
	这里有一个发散的尺度，我们预计体积...抱歉，蛋白质水平应该是 3.5，所以我们对此不太感兴趣，并且用灰色阴影表示。
	但任何大于 3.5 的都是绿色的，所以那是……他们是做得非常好的人，红色的是可能的供应商，
	抱歉，他们可能在提高蛋白质含量方面有些困难。所以我们可以利用自己的数据来联系供应商，看看是否有供应商需要我们牛奶顾问的支持，我们也可以为他们提供帮助，这非常有帮助。
	继续讨论地理因素，我们也能够打破一些古老的迷思。所以这些是
	在茶歇时间可能会发生的讨论中，有人会说这个东西，NPN，肯定受到地理位置的影响。
	NPN 本身就很难解释，所以我就用一品脱啤酒来打个比方，如果你愿意的话，可以把它比作一品脱啤酒。其实我觉得它更像一个玻璃杯。
	众所周知，牛奶含有蛋白质、脂肪、乳糖、矿物质和维生素。这些都是有益的。
	而且，其中还有很多其他的东西，如果我们只看蛋白质整体，你可以认为整品脱都是我们从农民那里获得的牛奶中的蛋白质。
	但是蛋白质可以分解成真正的蛋白质，也就是饮料中的液体部分。
	而这部分正是我们在生产过程中真正需要用到的。啤酒的顶部，也就是这部分起泡的部分，是其他物质，比如尿素、尿酸等等。
	虽然我们向供应商支付了所有蛋白质的费用，但不幸的是，我们不能在我们的过程中使用所有的蛋白质，所以我们只能使用这里的这部分，真正的部分，或者像真正的蛋白质。
	因此，根据具体过程，如果一年中任何时候 NPN（非蛋白氮）的含量较高或较低，
	那么最好将该产品定向到特定网站
	现在我们在另一个地点，这样我们就可以制定战略了。一直以来的问题都是，你知道，我敢打赌，在一年中的某个特定时间，地理位置会影响整个地区的非蛋白氮水平。
	地理位置。你在这里看到的数据来自 284,000 个数据点，也就是 284,000 个 NPN 测量值，
	非蛋白质氮，跨越整整一年，分布在爱尔兰南部芒斯特的六个不同地区。
	这里的线条代表了各个月份的平均值和平均值差异，也代表了各个地区从颜色角度来看不同的平均值。
	这里的箱线图代表了每个区域内部和区域之间存在的变化量，因此，您可以清楚地看到平均值遵循
	每个区域都能很好地协调一致，并且变化量随时都会减少，
	假设这里是七月份，所有地区的降雨量似乎都在减少，但蒂珀雷里郡可能略有异常。
	但大多数情况下，当一个地区的差异增大时，所有地区的差异也会增大。
	所以，我们不再需要……不再需要讨论各种可能性。我们能够利用数据快速地验证或推翻理论。
	每五年，我们都会向我们的混合供应商发送中线（？）普查数据，这有助于我们了解供应商在其农场中可能面临的未来产量意向和挑战。
	它也从业务方向和投资角度表明了我们会员的情绪。
	因此，最近我们向 2,800 家供应商分别发出了 100 多个问题，在这个例子中，我们提出的问题是：你们农场的生长限制因素是什么？
	参与者有九个选项，也就是从一到九的因素。因此，他们被要求按重要性排序，也就是从一到九，这些因素呈现在他们面前。所以你可以想象，你会得到 2,800 个结果。
	来自每个供应商，但每个结果都有一到九分的分数，其中一些并不总是得分一到九分，他们可能只完成了前三名，其他的可能是前五名或前七名或其他什么。
	所以问题是，如果你愿意的话，你如何才能最好地将所有这些数据（这 25,000 个数据点）以一幅清晰的图像呈现，以代表整个农业社区向 Dairygold 报告的数据。
	结果是……所以答案就是一个马赛克图。希望大家能在这里清楚地看到，48.8%的受访者（包括我们的供应商）将因素4列为最重要的因素。
	限制农场扩张的因素。紧随其后的是因素 5，其中 19% 的人认为这是最重要的因素，23% 的人认为
	第二个。从左到右，你可以看到对农民来说最重要的因素。
	所以颜色在这里非常重要，我在这里与团队一起采用分层热图，同样，对于一个非常不同的部分
	零售订单。因此，在这种情况下，我们只查看周末按时段下达的订单数量
	用于我们商店的饲料。这是2015年至2018年四个不同年份中，每周五、周六和周日的饲料数据。
	以及订单发送的时间。现在农民可以通过应用程序发送订单……或者
	他们可以打电话订购。但你可以清楚地看到，星期五，也就是第一个
	挤奶的时候，有些奶农早上五点就出门了，说“好的，我需要更多饲料。我会在应用程序里自动下单。”
	这种情况可能还会再次发生，大概在12点左右，这取决于牛群的挤奶时间等等。但这样做的价值在于，我们可以
	了解周末接收订单最繁忙的时间以及何时需要处理订单，这可以让我们了解
	如何在整个周末保持高效的人员配置水平，所以周日和周五安排相同数量的员工是没有意义的。也许更多
	这段时间应该集中精力……应该安排更多人手专注于周五甚至周六早上的订单接收。这样我们门店的人员配置效率会更高。
	再次强调，我们仍然坚持色彩主题，正如我们所知，还有花哨的分析，正如你所注意到的，我们很快就会到达那里，
	但要遵循颜色的主题，您在这里看到的是我们以图形方式表示的一大床奶酪的输出。
	我说的大，大概是25米长，2米宽。所以，此时凝乳中的乳清已经全部沥干，然后这层奶酪被压扁，切成70条。
	然后将条带切成五块，然后我们所做的就是测量左侧、中间和右侧块的高度。
	因此，我们要做的就是测量这一大块奶酪床的高度。
	一旦我们能够做到这一点，我们就可以很好地了解实际发生的情况，并使用颜色作为指导，以及了解奶酪床的宽度。
	因此，显然红色表示较高，绿色表示稍低，我们在这里以毫米为单位进行测量，因此范围是 120 毫米到 155 毫米。
	很明显，你可以看到，从左上角开始，有一个小斜坡
	侧面，左侧的高度较高，左下方也是如此，床实际上正在掉下来。
	所以这对我们来说非常重要，因为从可变性的角度来看，我们试图了解的是，是否存在不同......为什么区块之间存在差异......
	进入我们流程的区块重量是多少？这基本上指向了其中一个原因。其中一个原因是，如果区块的高度不同，
	那么逻辑就会表明，如果奶酪被相同的力压缩到相同的大小，那么块的重量也会不同。
	因此，人们可以通过图片更容易地理解这一点，特别是如果他们对业务的分析方面不太熟悉的话。
	我想，进一步深入分析一下，我们在整个业务中大量使用了统计过程控制，
	你知道，寻找机会，并验证改进。我们在这里关注二氧化碳的使用情况，我们在产品，特别是粉末中使用二氧化碳。
	当我们将粉末装袋以延长产品的保质期时，这是行业的标准做法。
	因此，我们在填充袋子时会排出所有空气并添加二氧化碳，但是您可以在这里看到，然后我们密封袋子，但是您可以在这里看到，我们有很多变化，特别是在 2017 年。
	我们能够控制这个过程，我们能够确保到 2018 年生活会非常非常不同，
	我们的平均二氧化碳使用量显著减少。我们仍然面临一些挑战，甚至可能出现了一些值得调查的模式，但是
	这种事情也有好处，因为只要……我们不仅能控制流程，还能用统计方法证明这一点，我们还能创造一些
	研究可以有效评估我们的粉末对二氧化碳的吸收率。
	所以，这真的很重要，因为如果我们能了解我们的产品是如何吸收二氧化碳的，那么它会带来其他好处，其中之一就是
	当脂肪吸收袋子里的二氧化碳时，就会在密封的袋子里形成真空，所以当它形成真空时
	袋子开始在粉末周围密封，并使粉末袋变得更加坚固。
	因此，现在从供应链的角度来看，当我们将这些袋子堆放在托盘上进行运输和装运时，它降低了风险并使生活变得更加轻松。
	现在我们就像在堆砌混凝土块，而不是像在堆砌柔软蓬松、富有弹性的枕头。所以，这是双赢的。我们有
	我绝对不是程序员，但我们确实联系过爱尔兰用户组，并获得了很多帮助
	以及 JMP 社区...实际上，你知道吗，我要特别指出英特尔的 Troy Hickey，他为爱尔兰用户组提供了非常有用的帮助。
	在 JMP 社区，当你在某个领域寻求帮助时，主动提出问题，这是一件非常棒的事情
	或者也许是一个你一无所知的领域，并且从你从未听说过的人那里得到回应，专家的回应也是非常出色的。
	因此，在这种情况下，我们能够使用一些 JSL 创建一些代码，并且能够创建这个控制图
	如果你喜欢，可以采用标签格式。在本例中，脱脂奶粉、全脂奶粉、脱盐乳清粉和酪蛋白用于测量蛋白质
	我们实验室的测试。目前，我们正在监测大约30种不同的测试，并监测标准测试和湿化学测试之间的差异。
	每天都有变化，而且手动方法和近红外方法之间存在差异，因此自动化方法也存在差异。
	举个例子，比如说，我们研究湿化学标准时，我们希望确保目标为零。我们不希望实验室测试结果和实际结果有任何差异。
	标准说应该如此。所以我们想要的目标是零，这表明，在这种情况下，
	蛋白质，脱盐乳清粉，我们稍微超出了；我们是.04，我们可以跟踪我们的过程概况，我们可以得到
	这个过程会向我们发出一个过程偏移的标记。所以九个数据……在本例中，至少有九个数据点连续高于平均值。
	然后，我们知道要停止这个过程，不再继续下去，因为我们需要调查并采取一些措施来纠正...纠正问题，在这种情况下是流程转变。
	所以这对我们来说非常有利，我们现在有了这个设置，它每天都在运行，尽管，
	你知道，成百上千，甚至在这个数据点上，脚本的设置使其只显示最后 42 个数据点，也就是任何时间的最后一周的数据，即使控制限度设置为
	基于之前流程中的数据。所以，很高兴能联系到 JMP 社区。
	卡车到达时间纳入业务范围，在这种情况下，我们有 54,000 辆油罐车从午夜到午夜抵达四个不同的地点。
	这让我们了解了现有的不同配送方式，从配送到现场的时间来看，这真的很有帮助。这对我们来说很重要，因为我们不希望……我们希望油罐车直接开到现场。
	卸下牛奶，尽快离开现场。我们不想发生这样的情况
	很多卡车会聚集在一起，在某个工地，你可能会遇到这种情况，一辆卡车一字排开，一辆卡车紧随其后。我们希望整个过程都能顺畅流畅。
	这里，你可以看到，早上八点到九点，
	你知道，人们可能都去那里吃早餐了。我们这里的人流量更大，送货到站点的货量也不大，这里也是一样，晚上的人流量更大。
	卡车被拦住了，或者开走了……司机去吃饭了等等。所以我们可以更深入地了解情况，并针对每个不同的站点进行处理。例如，在这个例子中是两个站点，Clonmel Road 和 Castlefarm，
	这些站点彼此之间非常接近，因为通往北、南、东、西方向的道路，
	它看起来是什么样的？我们想要的数据分布是否清晰？
	比如，有没有一些货运公司在24小时内没有从东部地区发货？我们可以了解发生了什么，也可以获取这些信息。
	并且说，从泵的卸载率来看，因为在这种情况下，我们有两个站点，有 11 个泵正在卸载
	每年在两个地点生产超过五亿升。
	我们想尝试了解哪些泵的效率更高或更低。我们可以清楚地看到，有四台泵的卸载率更高，
	所以它们能够比其他一些吸奶器吸得更快，在同样的时间内吸出更多的奶。你可以看到
	在2号站点，3号泵的效率最高，而总体而言，4号泵和3号泵的效率最低。因此，如果我们要进行维护检修，我们就知道这些泵需要首先进行检修。
	我们使用 JMP 来评估卓越性和机遇的测量系统，我们这样做，你知道，
	很多时候，我甚至都记不清了。这次，我研究的是正磷酸盐（？），你知道，这是标准量规R&R，结果非常好。所以
	19 个不同类别；19 是优秀的，量规 R&R 是 0.5，所以小于 10 是理想的，它只是意味着你知道我们有非常好的
	始终可靠的测量系统。无论你把哪个部件交给任何分析师，他们都会给出相同的结果。
	因此，执行测试的人不会影响测试结果，这正是您一直希望看到的。
	有时我们会有主观的测量系统，我们也需要进行属性一致性分析。
	因此，在这种情况下，我们正在查看包装产品的视觉评估，您可以查看圆度或边缘损坏或压花等
	清晰度等等。改进之后，您可以看到，评估师之间的一致性达到了 90% 到 95%。
	总体而言，您可以看到，就匹配和同意的零件数量而言，一致率为 82%。
	在每个操作员内部和之间，但可能更重要的是有效性，即与标准的一致性。
	我们事后可以看到，现在符合标准的比率已经达到了96%，这真的很好。再说一次，即使评定结果带有主观性，我们也能确保我们的产品评级可靠。
	我们当然也可以设计实验来量化各种因素的影响。在本例中，我们研究的是WPNI，即乳清蛋白氮指数，这是一个衡量指标。
	我们产品中的蛋白质变性，所以它表明了产品经过的热处理程度，而且可以，
	对不起，这真的很重要，因为热处理水平会影响应用
	从客户角度来看。假设热处理程度不合适，这可能意味着客户可能想用我们的产品做酸奶，
	那么该产品就不适合，因为它可能会留下颗粒感、颗粒感的口感等等，所以这不适合酸奶这样的产品。
	因此，我们遇到了乳清蛋白氮指数结果不一致的问题，并且在我们的程序中发现了一些模糊之处，
	因为它有多种解读。所以它可能会说，你知道，摇动某物，
	摇晃这个小瓶，你知道，它可能只是说摇晃它，有人可能会说，是的，我摇晃它五秒钟，其他人可能会说，我只是倒置了10次，还有人会说，是的，我用力摇晃30秒。
	因此，每个人都怀着最好的意图遵循程序，但如果程序含糊不清，那么就容易产生不同的解释，也会导致不一致。
	因此，我们正在尝试设计试验来了解可能影响我们流程变化的因素。
	所以这里我们知道氯化钠溶液，也就是盐水溶液，由有起始条和无起始条组成。
	在高温下放置的时间为 45 或 60 分钟，然后使用这里的解决方案，以及这里的小测试计划，我们......水浴温度为 37 和 40 度，这是这里用颜色编码的四种解决方案之一。
	然后我们有水浴摇晃间隔和我认为也是使用的盐酸滴数。
	我们再次使用交互式浏览器来查看当 WPNI 结果较低时，该过程发生了什么。
	更难理解这里发生的事情，所以显然我们需要更进一步，开始建立一些模型并了解正在发生的事情。
	就我们所讨论的强度而言，这些模型相当不错，R 平方仅为 68% 左右。
	我们可以直接看到，这里的主要影响，最大的影响是水浴温度，其次是搅拌棒持续时间和加热板相互作用的影响。
	我们也可以看到效果，哪个参数在拉动...哪个效果在拉动
	这个过程也朝着哪个方向发展。底部还有一个很有价值的预测分析器。我们可以探索一下到底发生了什么。
	我喜欢的是，你可以使用输出，有时，嗯，我有时会使用一些这些实验的输出来......从教育的角度来看。
	我之前说过，搅拌棒和加热时间是一个重要因素，这是一种相互作用，也就是说，一个因素的影响取决于另一个因素的水平设置。
	但是你可以尝试向页面上的某人解释交互效果；我们有交叉线，交叉线意味着
	强相互作用，如果线是平行的，但看起来要交叉，那就是小相互作用。或者你可以把数据画出来，
	在这种情况下，很多人实际上并没有看到两个因素之间的相互作用是什么样的，这就是相互作用……相互作用的样子，它可以用作……
	也可以作为一种教育工具。所以，在我们的例子中，WPNI 的结果在 y 轴上，抱歉，是的，在 y 轴上，
	在加热板上的持续时间为 45 分钟和 60 分钟，所以如果我们坚持 45 分钟，我们没有搅拌棒，如果我们切换...我们保持 45 分钟，然后切换到搅拌棒，我们可以看到我们从这个水平跳到了这个水平。
	而当我们以60分钟计算时……WPNI水平就在这里，没有搅拌棒，我们跳到搅拌棒，我们可以看到它跳下来。所以
	这里的跳跃不如这里的那么多，但这立即表明影响搅拌棒和加热板持续时间的相互作用相当大。
	这就是它的意义所在，再次强调，它需要大量的流程知识和理解。我们也可以使用一些分类工具，比如决策树来尝试理解。
	这是来自研发部门关于奶酪褐变的询问，正如它听起来的那样，它与奶酪的褐变有关
	在烤箱里加热的时候，比如披萨，加热的时候会有点热。所以我们不希望奶酪烧焦太快，比如披萨上的切达奶酪，你肯定不希望它烧焦太快。
	你希望它有活力，并且有烹饪的食谱。所以，这是一个分类的例子，抱歉，是决策树，我们来看看
	如果你喜欢，可以用树代表的三种不同层次的浅色、中色和深色的褐色，颜色是绿色，
	分别为琥珀色和红色。我们可以看到，跑步时的pH值是这里最重要的因素，特别是如果跑步时的pH值大于6.48，
	那么我们可以看到，99.3% 的加工过程都会出现浅棕色，这正是我们想要的。绿色代表好，红色代表不好。同样，我们知道，如果 pH 值低于 6.48，我们就有风险，而且……
	我们取样，所以我们的奶酪块，也就是 20 公斤的奶酪块，是从一个角落取的，然后我们知道我们有 31% 的机会得到
	变成深褐色，所以不太好。所以从这个角度来看，我们可以看到
	对象数量的计数也会导致这种情况，并且就树上的叶节点终止而言也是如此。因此，你可以得到
	很好地了解您的流程中发生的情况，以及最能区分的重要因素，在本例中就是褐变分类。
	我在这里说的是隐蔽引导森林，因为您知道我认为这是 JMP 中未充分利用的工具......如果您了解决策树的作用和工作原理，您就会明白它是一种非常强大的工具。
	说实话，我不确定决策树使用的算法，无论是迭代二分法还是
	C 4.5 或 5.0 或任何其他版本，但我知道的是，预测筛选在后台利用决策树算法并使用引导森林，这是
	也使用放回抽样法，创建一堆这样的树，然后把它们粘在一起，然后给出这些树的平均结果（如果你愿意的话）。所以在这个例子中，指出，这是来自
	前面的平行图示例针对 30 个不同的机器参数，在这种情况下，你会注意到实际上有 31 个，
	因为当我回到团队时，我说这个喷嘴气压有些不同，它似乎是一个重要因素，预测筛选告诉了我这一点。
	房间后面有人举起了手，他们说，
	在所有参数中，这可能不应该在那里，因为它不是真正的机器参数，我们只是把它粘在里面，看看是否有任何东西会跳出来。
	果然，这是最引人注目的一个，所以必须将其取出并单独评估。
	就演示而言，我也差不多完成了，所以就他们而言
	使用模型来预测未来的表现，这就是我们从洞察力转向远见的地方。
	在这里，我们根据 1,438 个观测数据创建了一个相当强大的模型，模型有效性达到 76%。
	问题是，我们能否开发一个工具来帮助我们预测一年中任何一周、任何一天的订单数量，以及
	还可以预测我们会收到的订单数量...抱歉，还可以预测我们在同一天会收到的订单数量吗？
	因此，我们能够获取所有历史数据，并使用预测分析器从季节性角度选择哪一年最适合您要预测的情况。
	然后转到适用的月份、您想要的任何日期和星期几，然后确定是否是银行假日。
	你可以看到，我在这里设置了两种不同的设置。一种是银行休假时使用的，一种是没有银行休假时使用的。你可以看到，
	这里也存在银行假日和星期几之间的相互作用。因此，我们可以回到商业话题上
	无论是哪一天，2019 年 10 月 26 日是星期四，而不是银行假日周末，预计会收到 120 份订单，这也相当于将近 1,100 公吨的产品进来。
	我们实际上在两个周末进行了这项测试，一个周末是银行休假，一个周末是非银行休假，实际成功率达到了 85%，这已经很不错了。所以，即使模型的准确率是 76%，但实际结果也相当不错。
	然后从洞察力到预见力，我们再次审视……试图解释季节的可变化性，
	这里用不同的颜色代表不同的年份，比如2015、16、17、18等等。我们正在查看一些数字……一些饲料订单数量
	业务。每个点代表每周的订单量，我在这里做的有点过头了，我叠加了实际的预测模型，这样预测的值
	每周都这样。你可以看到模型的准确度与实际值，也就是实际值与预测值的对比情况。
	然后能够使用，说实话我记不清了……它要么是季节性指数预测，要么是我们的季节性 ARIMA，
	季节性???指标移动平均线来确定未来六个月的情况。
	这对于我们业务来说非常有价值，因为季节性是一个挑战，我们可以使用这些工具，高度自信地了解未来业务的订单水平。
	最后，我想这对我们来说有点牵强，因为我们之前从未深入研究过神经网络。所以，在这种情况下，使用神经网络作为试验，看看我们能否在工艺过程中对沉积物进行分级。如果我们有ADPI结果，那么这是
	沉积物垫，我们看到了大量可能烧焦的颗粒，可能是干燥过程之类的原因造成的。现在处于什么位置？是A级、B级、C级还是D级？
	这里的筛分结果表示筛子中留下的颗粒数量，而滚筒结果 T1B1 表示顶部和底部。
	T1 表示可能漂浮在水面上的颗粒数量，B 表示底部的颗粒数量，即沉到水底的沉积物。
	再次在神经网络中使用它，并进行 K 折交叉验证，所以我认为 K 设置为 10。我们有九个
	我认为这里也用到了激活函数。是的，双曲函数……线性函数、高斯函数，还有双曲正切函数。
	我们可以使用每一个
	入口节点也输入到我们的激活函数中，然后我们这里还有输出层，它给出了最终的结果。所以我们可以使用，
	在这种情况下，6,245 个结果
	训练我们的模型，然后，一旦我们也用交叉验证进行了验证，我们就可以在这里创建混淆矩阵，这也相当不错。我的意思是，我们在 A1/A2 中没有那么多值
	降到 B 级，就像我们对 A1 所做的那样，但它在某种程度上向我们表明，你知道，如果我们有一个 A2 级
	我们预测其中 35 个是真正的 2，只有 2 个是 A1。所以可能会有一些误差，而这些误差可能来自于模型本身，
	你知道，最初是由评分员创建的，他们手动尝试评估每个评分中存在的差异，如果
	结果中会出现一些模糊之处，然后尝试做出最终判断。所以我认为这里的问题是，我们能否让机器以较高的准确率预测最终结果？
	再次，我们预计，如果翻转测试结果为 T1B1，获得 A1 等级的概率会相当高，几乎没有浮动或下沉
	如果筛分结果在颗粒数量方面也相当低，那么我们预计 A1 的结果会在这里。
	事实上，我们在这里看到 A1 可能表明模型训练并不像它应该的那样有效，并且模型中可能存在一些错误。
	再次，你可以看到这里创建了一个非常复杂的模型
	对此，但你知道，这有点像黑匣子，我想从神经网络的角度来看，大家都知道这一点。但我想，随着我们开始向整个机器学习领域和人工智能迈进，我们需要大量的流程知识和概念验证。
	我知道我向很多人开火，而且相当仓促，我可能会就整个事情讲上几个小时，并道歉……如果感觉很仓促，我深表歉意，但我只是从总结性想法的角度来说，
	我认为已经证明，无论你身处哪个行业，即使是农业行业，这与典型的数据分析环境相去甚远，在任何行业，你都可以使用
	数据分析可以为业务增加显著的价值，并且您可以接触并帮助几乎业务的每个部分。
	另外，我想说，不要低估简单图形分析的价值。演示进行到一半时，我们才开始介绍JMP中嵌入的一些更强大的分析功能，以及
	我认为知道如何使用所有花哨的工具是很好的，并且有使用的时间和地点，但是，你知道，简单也可以非常强大，不要低估它的价值。
	除此之外，我要感谢大家的聆听。我非常感激。如果你们有任何问题或意见，欢迎随时提出。谢谢。

高级统计建模基础数据分析与建模数据探索与可视化预测模型和机器学习质量与工艺工程