| Vocero |
Transcripción |
| Kieran O'Mahony |
Bien, muchas gracias, mi nombre es Kieran O'Mahony y soy el gerente de ciencia de datos y análisis de Dairygold en Irlanda. |
| |
Y el título de mi presentación es Cómo aprovechar los datos en Dairygold: desde gráficos de barras hasta redes neuronales. |
| |
Por lo tanto, creo que es justo decir que el uso de análisis de datos generalmente está más asociado con industrias como las finanzas y la atención médica, los productos farmacéuticos, los semiconductores y similares, y es probablemente raro que las palabras "agricultura" y "análisis" se encuentren en la misma oración. |
| |
Esta sesión tiene como objetivo ofrecer una idea de cómo una empresa muy tradicional ha adoptado y fomentado el uso de análisis en toda la empresa. |
| |
Así que esta sesión probablemente será diferente a las otras sesiones que puedas ver en Discovery, en el sentido de que lo que estoy tratando de hacer aquí es centrarme menos en un proyecto, sino mostrar múltiples ejemplos de cómo |
| |
Dairygold ha utilizado JMP para permitir la toma de decisiones basadas en datos en toda la empresa, y no solo en la fabricación, lo que creo que es importante. |
| |
Entonces, antes de comenzar, supongo que es importante brindar algunos antecedentes del negocio, una descripción general y lo que hacemos. |
| |
Dairygold es la cooperativa de agricultores líder de Irlanda, con instalaciones de última generación para la fabricación de queso y polvos nutricionales ubicadas en el corazón de los Valles Dorados. |
| |
Bien, sólo para explicarlo, como cooperativa básicamente... básicamente significa que somos propiedad de los proveedores de leche, es decir, de los granjeros. |
| |
Entonces, tenemos 2.800 proveedores de leche que nos abastecen diariamente y todos ellos son accionistas, por lo que el modelo de negocio es un poco inusual en el sentido de que los proveedores de materia prima también son los propietarios del negocio. |
| |
Así que la facturación del año pasado fue de 1.200 millones de euros, tenemos unos 1.200 empleados y procesamos unos 1.400 millones de litros de leche al año, así que recibimos una cantidad considerable de leche a diario. De hecho, |
| |
En el pico de producción, porque tenemos un negocio estacional, estamos hablando de más de 6 millones de litros de leche que llegan a los sitios diariamente. |
| |
También contamos con tiendas minoristas donde puede comprar desde un martillo hasta electrodomésticos y maquinaria agrícola, entre otros artículos. Además, contamos con el sector agrícola, donde producimos alimento para animales en nuestros molinos. |
| |
Dairygold existe desde hace mucho tiempo. Comenzó en 1908 con el nombre de Ballyclough, luego se convirtió en Mitchelstown en 1919 y luego en Dairygold en 1990. |
| |
Y probablemente hemos recorrido un largo camino... bueno, probablemente no... es justo decir que hemos recorrido un largo camino desde que la leche era entregada por caballos y carruajes hace todos esos años. |
| |
Es una organización muy tradicional y tiene mucha historia, pero también es una organización muy progresista. |
| |
Y cuando digo que hemos recorrido un largo camino, ya saben, tenemos una cadena de suministro muy grande con una flota de petroleros ahora, y cada petrolero, |
| |
Aquí pueden ver un ejemplo: cada camión cisterna transporta unos 26.000 litros de leche y la recolectamos diariamente de nuestros 2.800 proveedores. Es una cadena de suministro muy compleja en el sentido de que... |
| |
No solo recogemos leche de nuestros proveedores, sino que también recogemos suero de nuestras plantas procesadoras de queso, si no lo estamos dirigiendo automáticamente |
| |
Por una tubería a otro sitio. Lo recolectamos en camiones cisterna y lo transportamos a otros sitios. |
| |
Y hacemos lo mismo con el concentrado de leche descremada y el concentrado de suero desmineralizado que vendemos a otros clientes, y también tenemos la parte en polvo y la parte de queso del negocio donde también distribuimos. |
| |
Así que también tenemos algunas de las secadoras más grandes (?) de Europa, puedes ver aquí una en particular que abarca cinco o seis pisos. |
| |
Entonces, en los últimos cinco o seis años, Dairygold invirtió más de 400 millones en todas las plantas, por lo que se trata de garantizar... garantizar que tenemos... |
| |
Podemos satisfacer las necesidades de la futura expansión del volumen de leche. En cuanto a los productos que fabricamos, |
| |
polvos y quesos, en su mayoría, desde leche entera en polvo hasta leche descremada en polvo y proteínas en polvo y muchos tipos diferentes de queso, especialmente queso y cheddar. |
| |
Y abastecemos a múltiples sectores, desde confitería y pizza hasta salados, yogures y alimentos procesados e incluso leche de fórmula infantil, es decir, alimentos para bebés. |
| |
Y es probable que si has comido algo hoy, es muy probable que también hayas consumido leche descremada en polvo o leche entera en polvo, porque hoy en día es muy común encontrarla en muchos ingredientes alimentarios. |
| |
Así que ese es el contexto del negocio. En cuanto a los datos, creo que es justo decir que hay muchas empresas que se consideran ricas en datos, pero pobres en información. |
| |
Y también es justo decir que, cuantos más datos tengas, a veces lo que eso conlleva también es mucha más confusión. |
| |
Y a veces creo que es justo decir que incluso cuando tienes toda la información y tienes... tienes esta población, y tienes, ya sabes, una idea de qué es exactamente... |
| |
Es necesario extraer datos para obtener información útil de la empresa, pero a veces las empresas no saben exactamente qué hacer con esos datos. |
| |
Y desde la perspectiva de Dairygold, lo que queremos hacer es intentar alejarnos más del lado derecho del cerebro, donde se centra en utilizar, supongo, suposiciones, corazonadas, conjeturas e intuición. |
| |
y moverse más hacia el lado izquierdo del cerebro, donde está más enfocado en usar la lógica, las matemáticas, la razón y la ciencia, pero esto es lo que queremos usar más en el negocio y usar más la toma de decisiones basada en datos en todo el negocio. |
| |
Una vez me pidieron, antes de una presentación, que diera un resumen de la estrategia de datos de Dairygold y que lo hiciera en una sola página, y supongo que en ese momento... |
| |
Fue entonces cuando me di cuenta de que probablemente no teníamos una estrategia de datos sólida en ese momento. |
| |
Pero lo que estoy intentando hacer aquí ahora es simplemente mostrar en una sola imagen cuál es nuestra estrategia de datos real y es realmente simple. |
| |
Así que queremos tomar los datos que existen en la empresa y utilizar análisis para convertirlos en información útil. |
| |
Y a partir de esa información obtenemos respuestas a las preguntas clave que teníamos, y a veces no solo obtenemos respuestas a las preguntas que teníamos, sino que a veces... |
| |
De hecho, terminamos con más preguntas. Pero estas son realmente importantes y poderosas, porque son preguntas que no sabíamos hacer desde el principio. |
| |
A veces necesitamos volver atrás y mirar nuestros datos nuevamente para ayudarnos a obtener respuestas a estas preguntas. |
| |
Pero finalmente, cuando llegamos al punto en que tenemos respuestas a todas nuestras preguntas, estamos en una posición mucho mejor y tenemos mucha más comprensión de nuestros procesos. |
| |
Y con ese conocimiento, entonces estamos capacitados para tomar decisiones oportunas basadas en datos y enviarnos en la dirección correcta. |
| |
Y si entendemos nuestro proceso lo suficientemente bien, tenemos suficiente conocimiento, entonces deberíamos poder usar esos datos para poder... |
| |
Comprender con gran precisión lo que podría suceder en el futuro. Por lo tanto, una buena comprensión también nos permitirá tener una buena previsión, lo que nos permitirá predecir lo que sucederá. |
| |
Entonces, como dije al principio, el propósito de esta presentación es dar una serie de ejemplos de las diferentes formas en que se han utilizado los datos en Dairygold. |
| |
Yo diría que hemos recorrido un largo camino desde una perspectiva interna en términos de tomar decisiones basadas en nuestros datos y, en este momento, estamos comenzando en toda el área del aprendizaje automático y la IA. |
| |
Así que creo firmemente que lo simple también puede ser muy poderoso. |
| |
Y es por eso que esta presentación se llama De los gráficos de barras a las redes neuronales. |
| |
Y creo que es muy importante destacar que se puede extraer mucho valor de análisis muy simples. El primer ejemplo que quiero compartir aquí son los gráficos de barras. |
| |
Pero a veces pienso que las personas pueden hacer presentaciones y tener gráficos de barras que se extiendan a lo largo de varias páginas y con JMP, es muy fácil poner toda la información en una sola página. |
| |
Vista. En este caso, analizamos el ácido nítrico en un proceso de limpieza. Aquí arriba, podemos ver cada punto de datos individual y cada una de las etapas de un proceso de limpieza con ácido nítrico. |
| |
Se puede observar el nivel de ácido nítrico utilizado en cada paso. El siguiente paso es el número de usos, es decir, el número de ciclos de ese paso. |
| |
Aquí observamos el uso promedio de ácido nítrico en cada paso. Por ejemplo, podemos ver que... |
| |
Ya sabes, tenemos un promedio más alto aquí de 24 litros por semana que se utilizan, pero la frecuencia de ocurrencia de ese paso fue solo cuatro veces, |
| |
y estaba claramente sesgado por este valor atípico aquí, por lo que esto obviamente está sesgado, y probablemente sea más importante para nosotros, porque lo que estamos tratando de hacer aquí es comprender |
| |
y reducir la cantidad de ácido nítrico que se ha utilizado diariamente, semanalmente y mensualmente, es la suma del ácido nítrico utilizado en todo el proceso para cada uno de los pasos del proceso. |
| |
Y lo que era importante... lo que era importante para nosotros destacar aquí, supongo, y nuevamente son solo gráficos de barras simples, pero nos dieron una gran dirección. |
| |
en el negocio y nos envió...perdón, evité enviarnos por la tangente porque cuando miramos todos estos datos, podemos ver que |
| |
Tres áreas diferentes destacaron. Teníamos enjuague final, preenjuague y otro enjuague final. Y los datos mostraban... |
| |
que se estaba utilizando ácido durante estos pasos de enjuague, lo cual no es posible porque los pasos de enjuague solo implican agua. |
| |
Entonces, un poco más de investigación reveló que un proveedor había configurado inicialmente etiquetas de datos incorrectas en nuestro sistema de escáner (?). |
| |
para nuestros caudales monitoreados. Así que, aunque creíamos que en realidad estábamos monitoreando el uso de ácido nítrico, en realidad no lo estábamos haciendo. Nos estaban informando incorrectamente. |
| |
Realmente podríamos haber ido más allá y profundizado para comprender nuestro proceso y lo que lo impulsaba, pero los gráficos de barras muy simples a menudo centran una dirección adecuada y pudimos comprender con precisión lo que realmente estaba sucediendo en nuestro negocio. |
| |
Y nuestro uso de gráficos de barras en los negocios y, si soy honesto, este es probablemente uno de mis usos favoritos de los gráficos de barras en los negocios porque es muy simple. |
| |
Pero muestra... muestra cuatro dimensiones diferentes de tiempo de inactividad, todas en una página, realmente simple y muy fácil de usar e intuitivo de usar y leer, creo yo también. |
| |
Aquí tenemos la cantidad de tiempo de inactividad que se monitorea en una planta de queso por mes. En el eje Y, se muestran los minutos de inactividad. |
| |
para cada una de las seis áreas diferentes dentro de la planta de queso, para cada uno de los seis meses: abril, mayo, junio, julio, y así sucesivamente hasta septiembre en orden descendente, en orden de tiempo, supongo, realmente |
| |
para cada uno de los turnos A, B, C y D. Ahora, se le podría perdonar por pensar que los datos se han inventado porque el número de minutos es muy bajo, pero es realmente importante desde un punto de vista |
| |
Desde la perspectiva de la fabricación de queso, la planta no se detiene. Estas son cifras reales; es decir, monitoreamos el tiempo de inactividad en minutos al mes. |
| |
Si el proceso se detiene, el pH del producto cambia y eso puede influir negativamente |
| |
el precio de venta final y la calidad del producto también, por eso es importante que no nos detengamos. |
| |
Así que, este es el nivel de mantenimiento en el que nos encontramos. Nos quedamos en minutos y claramente vemos que no hay muchos problemas con BetaVac, pero en el caso de las formadoras de bloques, estamos viendo problemas con los turnos C y D. |
| |
Con más problemas aquí para C en Blockmaster. En esta zona de transportadores, C vuelve a destacar, al igual que los refuerzos C y D. |
| |
Y quizás haya más problemas con los turnos C y D. De este análisis, podemos extraer que los turnos C y D tienen algunas dificultades de mantenimiento y necesitan más apoyo. |
| |
Nos gusta especialmente el enlace dinámico. |
| |
Elemento de JMP para la exploración de datos. Y, en este caso, debo señalar que contamos con muchos laboratorios dentro de la empresa, como laboratorios de microbiología, química, etc. |
| |
y probamos la leche y el queso y el agua, y el producto en proceso y el producto terminado, y probamos una enorme cantidad de elementos del negocio. |
| |
Y esta función de enlace interactivo, como pueden ver aquí, se convirtió en un HTML interactivo, |
| |
Se utilizó para que diferentes personas de la empresa pudieran trabajar para construir un repositorio y luego poder verlo e interactuar con él. |
| |
Entonces, lo que estamos tratando de hacer aquí es crear un repositorio en el cual tenemos los problemas que existen dentro del negocio, por lo que en este caso estoy resaltando el bloqueo... perdón, estoy mostrando tubos bloqueados y CIP del evaporador y corte de energía. |
| |
Al hacer clic en "corte de luz", se resaltan las áreas sombreadas de las barras verdes. En este caso, se observa un corte de luz; uno o más ocurrieron en agosto. |
| |
Aquí se afectaron estas etapas del procesamiento y el microorganismo, en particular, que más se vio en esos procesos fue el estreptococo. |
| |
Entonces, el valor aquí es que cuando sigamos agregando problemas a este repositorio desde una perspectiva factorial, podremos entonces... |
| |
Mirar hacia el futuro para ver los riesgos para el negocio cuando algo sucede, de modo que sepamos que la próxima vez que tengamos un corte de energía, tal vez necesitemos aumentar la cantidad de pruebas en esta etapa o proceso porque hay un mayor riesgo de que ocurra una infección estreptocócica. |
| |
A veces llegas al punto en el que tienes tantas barras que necesitas agregar, ya sabes, la estacionalidad y la suavidad. |
| |
También se buscan líneas para aumentar la visibilidad. Este es un desafío que tenemos en el negocio, y que abordaré más adelante: la estacionalidad. |
| |
Y somos muy así, porque las vacas comen la hierba y la hierba se utiliza, obviamente, para hacer la leche, en última instancia, y porque, en Irlanda, el clima es tan inestable. |
| |
Puede estar lloviendo un día y nevando al siguiente y haciendo sol al día siguiente, así que desde una perspectiva de estacionalidad, donde cada uno de los colores de las barras aquí se utilizan para representar un año diferente, por ejemplo 2015, 16, 17, 18. |
| |
Y debo agregar que solo son los fines de semana y que los pedidos generales de fin de semana están en el medio para obtener un resultado verde. |
| |
Se puede ver que los años 2016 y 17 son algo similares en el sentido de que tienen esta forma de m, mientras que el año 2018 es muy, muy diferente. |
| |
Entonces, a modo de ejemplo, aquí estamos todos lanzándonos bolas de nieve unos a otros y seis semanas después hubo una ola de calor y se prohibió el uso de mangueras de agua. |
| |
Es muy, muy difícil utilizar datos de estacionalidad que dependen efectivamente del clima dentro de la empresa, pero ese es uno de los desafíos que tratamos de superar. |
| |
Así que, desde una perspectiva de tendencia, también utilizamos JMP para la exploración no orientada a proyectos. Aquí tenemos un ejemplo de un promedio mensual de 2800 proveedores de leche. |
| |
Resultados de proteínas y grasas que ingresan al negocio durante un período de dos años. Por lo tanto, cada marca aquí representa, en este caso, septiembre de 2018, octubre de 2018, y así sucesivamente. |
| |
Esto muestra el rango de variación existente, tanto dentro de nuestros proveedores como entre ellos. Y lo útil es que podemos centrarnos en ello y, en particular, preguntarnos por qué este proveedor tiene un precio tan alto. |
| |
Y tiene niveles altos de grasas y proteínas de manera constante. ¿Hay algo que podamos aprender de este proveedor que tal vez podamos aportar a otros proveedores? |
| |
O, por el contrario, ¿hay otros proveedores en el extremo inferior? |
| |
Eso podría necesitar algo de apoyo y ayuda de nuestros asesores lácteos, ya que constantemente no pueden obtener sus niveles de proteína y grasa en la leche. |
| |
Alto. Estos son importantes porque son los parámetros por los que se paga a los agricultores: el nivel de proteína y grasa. |
| |
En este caso resultó que este hombre en particular era uno de los pocos proveedores de leche que elige ordeñar sólo una vez al día. |
| |
Entonces, significa que sus niveles de grasa y proteína son en realidad más altos que los de los demás, pero tiene menos volumen para devolver a Dairygold, pero esa es su elección. |
| |
tramas paralelas. |
| |
Y estos son mis favoritos actuales porque creo que muestran mucha información en una página, al mismo tiempo y para muchos parámetros diferentes. |
| |
Este es un problema que está ocurriendo ahora mismo, por lo que es un asunto recién salido de la imprenta y, en realidad, aún no se ha resuelto. |
| |
Entonces, lo que estamos viendo aquí es... está relacionado con bloqueos intermitentes de polvo en secadores de lecho fluidizado y ciclones, |
| |
Lo que básicamente significa que el polvo está obstruyendo los secadores y ciclones. Y a estos los llamamos obstrucciones, entonces el equipo está obstruido y tenemos que detenerlo y limpiarlo. |
| |
Entonces, lo que realmente estamos viendo aquí es... |
| |
30 parámetros diferentes, todos medidos en... todos mostrados en el eje X aquí. |
| |
Y cada una de las líneas que van de izquierda a derecha representa un minuto de tiempo para la configuración de cada uno de estos 30 parámetros. El rojo indica el |
| |
minutos que están en la hora previa al estrangulamiento, por lo que estos son, estos son los ajustes de nivel, si lo desea, para 60 |
| |
ocurrencias...60 minutos antes de que ocurra cualquier estrangulamiento, y este grupo rojo aquí representa nueve ocurrencias de estrangulamiento diferentes. |
| |
Bien, entonces hay algo que no son 540 hebras aquí arriba, por lo que esto es efectivamente la huella digital de lo que ocurre justo antes de que ocurra un estrangulamiento. |
| |
Y cuando... lo que estamos tratando de hacer es comparar eso con escenarios típicos de producción operativa normal desde una perspectiva de parámetros de la máquina. |
| |
Y es realmente bueno, porque puedes ver cómo se comparan, y aún mejor cuando puedes superponerlos. Y tengo... el no choke se ve fantasma en el fondo. Así que ahora lo interesante es que realmente podemos ver... |
| |
En qué se diferencia el escenario de estrangulamiento del de no estrangulamiento y comprender qué sucede. Por ejemplo, una pregunta que se está explorando actualmente es: |
| |
Ya sabes, parece que tenemos niveles más bajos de lo que sea que sea esto... presión diferencial. |
| |
Y, en general, cuando se produce un atragantamiento, ¿es este un posible factor contribuyente al que debemos prestar atención? ¿Es esto algo que lo causa? Porque el orden típico que opera... |
| |
Los parámetros, cuando la presión diferencial es buena, también son altos. De nuevo, solo un ejemplo. |
| |
Utilizamos datos de GPS para visualizar patrones y tendencias en la ubicación de los proveedores. Lo que observamos aquí son los niveles de proteína en diciembre y en toda la región de Munster, donde se encuentran todos nuestros proveedores. Cada punto representa la ubicación de un proveedor dentro de la empresa. |
| |
Y el tamaño del punto representa el volumen de leche que el proveedor proporciona a Dairygold, así que, como sabes, cuanto más grande sea el punto, más grande es realmente la granja. |
| |
Y hay una escala divergente aquí, donde esperamos que el volumen... lo siento, los niveles de proteína deberían ser 3,5, por lo que estamos menos interesados en eso y eso está sombreado en gris. |
| |
Pero cualquier valor mayor a 3.5 está en verde, por lo que son los que lo están haciendo realmente bien, y en rojo están los proveedores que tal vez... |
| |
Disculpen, quizás les cueste un poco aumentar sus niveles de proteína. Así que aquí es donde podemos usar nuestros propios datos para contactar a proveedores que necesiten el apoyo de nuestros asesores lácteos y ayudarlos también. Es muy útil. |
| |
Siguiendo con el elemento geográfico, también hemos podido desmentir algunos mitos antiguos. Así que estos son los |
| |
discusiones que podrían tener lugar en el dispensador de agua donde alguien diría que esta cosa, NPN, definitivamente está afectada geográficamente. |
| |
El NPN es bastante difícil de explicar, así que usaré la analogía de una pinta, una pinta de cerveza si lo prefieren. En realidad, creo que es más bien un vaso. |
| |
Y como todos saben, la leche contiene proteínas, grasas, lactosa, minerales y vitaminas. Estas son cosas buenas. |
| |
Y, pero también hay muchas otras cosas, y si solo consideramos las proteínas en su conjunto, podemos considerar que toda la pinta es proteína que obtenemos de la leche de los granjeros. |
| |
Pero esa proteína se puede descomponer en la proteína verdadera, que es básicamente la parte líquida de la bebida. |
| |
Y es esta parte la que realmente podemos usar en nuestro proceso de fabricación. La parte espumosa de la pinta es el resto de los componentes, es decir, la urea y el ácido úrico, etc. |
| |
Si bien pagamos a nuestros proveedores por toda la proteína, lamentablemente no podemos usar toda la proteína en nuestro proceso, por lo que solo podemos usar esta parte aquí, la parte real, o como la proteína verdadera. |
| |
Entonces, dependiendo del proceso, puede darse el caso de que si tenemos niveles más altos o más bajos de NPN, nitrógeno no proteico, en un momento determinado del año, |
| |
Entonces podría ser mejor dirigir ese producto a un sitio en particular. |
| |
Ahora, en otro sitio, podemos ser estratégicos. Y la pregunta siempre ha sido, ¿sabe?, apuesto a que en una época determinada del año, la ubicación geográfica afectará los niveles de nitrógeno no proteico. |
| |
Las ubicaciones geográficas. Y lo que ven aquí son datos provenientes de 284.000 puntos de datos, es decir, 284.000 medidas de NPN. |
| |
nitrógeno no proteico, a lo largo de un año entero, en seis regiones diferentes de Munster, en el sur de Irlanda. |
| |
Y las líneas aquí representan las medias y la diferencia de medias que existe de mes a mes, pero también las medias que difieren desde una perspectiva de color de una región a otra. |
| |
Los diagramas de caja aquí representan la cantidad de variación que existe dentro y entre, nuevamente, cada una de las regiones, por lo que claramente, se puede ver que los promedios están siguiendo |
| |
se complementan bien entre sí para cada región y también en cualquier momento en que la cantidad de variación se reduce, |
| |
Digamos que en julio aquí parece reducirse en todas las regiones, excepto quizás una ligera anomalía en Tipperary, en este caso. |
| |
Pero en la mayoría de los casos, cuando la variación aumenta también en una región, aumenta en todas las regiones. |
| |
Así que ya no necesitamos hablar del potencial de esto y aquello. Podemos probar y refutar teorías rápidamente con nuestros datos. |
| |
Cada cinco años enviamos el censo de línea media (?) a nuestros proveedores de mezcla y nos ayuda a comprender las intenciones de volumen futuras y los desafíos que los proveedores podrían tener en sus granjas. |
| |
Y da una indicación del sentimiento desde una perspectiva comercial y también de inversión de nuestros miembros. |
| |
Recientemente enviamos más de 100 preguntas a cada uno de nuestros 2.800 proveedores y, en este caso, la pregunta que hicimos fue: ¿cuáles son los factores limitantes del crecimiento en su granja? |
| |
Se les dieron nueve opciones, en este caso, factor del uno al nueve. Se les pidió que clasificaran los factores según su mayor o menor importancia, del uno al nueve. Como pueden imaginar, se obtuvieron 2800 resultados. |
| |
de cada proveedor, pero cada resultado tiene una puntuación de uno a nueve y algunos de ellos no siempre obtuvieron una puntuación de uno a nueve, es posible que solo hayan hecho sus tres primeros, otros tal vez sus cinco primeros o sus siete primeros o lo que sea. |
| |
Entonces la pregunta es, ¿cómo se pueden representar mejor todos esos 25 000 puntos de datos en una imagen clara que represente a toda la comunidad agrícola que informa a Dairygold, por así decirlo? |
| |
Y los resultados son... así que la respuesta aquí es simplemente un gráfico de mosaico. Pueden ver aquí, con suerte, muy claramente que el 48,8 % de nuestros proveedores encuestados han clasificado el Factor 4 como el más significativo. |
| |
factor limitante para la expansión de sus explotaciones. Le sigue el Factor 5, donde el 19% votó como el más significativo y el 23% votó |
| |
Como número dos. Pueden ver nuevamente los factores más importantes para los agricultores al avanzar de izquierda a derecha. |
| |
Entonces, el color es realmente importante aquí y estoy siguiendo con ese equipo aquí con mapas de calor estratificados, nuevamente, para una parte muy diferente. |
| |
Pedidos minoristas. En este caso, analizamos la cantidad de pedidos realizados por hora del día solo los fines de semana. |
| |
Para alimentar nuestras tiendas. Esto corresponde al viernes, sábado y domingo de cuatro años diferentes, de 2015 a 2018. |
| |
Y para la hora del día en que se envían los pedidos. Ahora los agricultores pueden enviar los pedidos a través de aplicaciones y...o |
| |
Pueden marcar el orden. Pero puedes verlo claramente aquí los viernes, ya sabes, cuando el primero... |
| |
Se ordeñan las vacas, algunos ganaderos salen y, justo a las cinco de la mañana, dicen: «Bueno, necesito más alimento. Voy a hacer un pedido aquí automáticamente en la aplicación». |
| |
Y de nuevo, podría volver a ocurrir, quizás alrededor de las 12 en punto, y depende de la hora de ordeño del rebaño, etc. Pero el valor aquí es que podemos... |
| |
Entender cuáles son los horarios de mayor actividad del fin de semana para recibir pedidos y cuándo deben procesarse, y esto nos puede permitir comprender |
| |
Cómo tener una dotación de personal eficaz durante el fin de semana, así que no tiene sentido tener la misma cantidad de personas el domingo que el viernes. Quizás más. |
| |
Debería dedicarse tiempo a concentrarse... y más personal debería concentrarse en atender pedidos los viernes y quizás también el sábado por la mañana temprano. Así, la dotación de personal en nuestras tiendas fue mucho más eficaz. |
| |
Nuevamente, siguiendo con el tema del color y, como sabemos, el análisis sofisticado, pero como notarán, llegaremos a eso en breve. |
| |
pero sigamos con el tema del color, y lo que estamos viendo aquí es el resultado donde hemos representado gráficamente una gran capa de queso. |
| |
Entonces, cuando digo grande, me refiero a unos 25 metros de largo y dos de ancho. En este punto, se ha escurrido toda la cuajada del suero, y luego esta capa de queso se aplasta y se corta en 70 tiras. |
| |
Y luego las tiras se cortan en cinco bloques y luego lo que hemos hecho es medir la altura de los bloques a la izquierda, en el medio y en el lado derecho. |
| |
Entonces lo que estamos tratando de hacer es obtener un indicador de la altura de la base del queso para esta enorme losa de queso. |
| |
Y una vez que pudimos hacer eso, pudimos obtener una muy buena imagen de lo que realmente está sucediendo y usar el color como guía, así como también el ancho en nuestra cama de queso. |
| |
Entonces, claramente el rojo significa más alto, el verde significa un poco más bajo y estamos midiendo aquí en milímetros, es decir, entre 120 milímetros y 155 milímetros. |
| |
Claramente, puedes ver aquí que hay una pequeña pendiente cuando pasas de la esquina superior izquierda. |
| |
lateral, donde las alturas son mayores hacia el lado izquierdo y hacia el lado inferior izquierdo también, donde la cama en realidad se está cayendo. |
| |
Así que esto es muy importante para nosotros porque, desde una perspectiva de variabilidad, lo que estamos tratando de entender es si hay una diferencia... ¿por qué hay una diferencia en los bloques...? |
| |
¿En el peso de los bloques que van a nuestro proceso? Esto apunta a una de las razones. Y una de ellas es que si la altura de los bloques va a ser diferente, |
| |
Entonces la lógica dictaría que el peso de los bloques también será diferente si el queso ha sido comprimido al mismo... por la misma fuerza. |
| |
Entonces, nuevamente, es más fácil para las personas entender esto en imágenes, particularmente si no están muy versados en el lado analítico del negocio. |
| |
Entrando más en el análisis, supongo, mira, hemos utilizado mucho el control de procesos estadísticos en las empresas y para, |
| |
Ya sabes, buscar oportunidades y verificar mejoras. Aquí analizamos el uso de dióxido de carbono, y lo utilizamos in situ en nuestros productos, especialmente en nuestros polvos. |
| |
cuando embolsamos polvos para extender la vida útil de los productos, lo cual es una práctica estándar en la industria. |
| |
Entonces expulsamos todo el aire y agregamos dióxido de carbono cuando llenamos las bolsas, pero pueden ver aquí eso, y luego sellamos las bolsas, pero pueden ver aquí, tuvimos mucha variación, particularmente en 2017. |
| |
Y pudimos controlar ese proceso y pudimos garantizar que para 2018 la vida fuera muy, muy diferente y |
| |
donde nuestro consumo medio de dióxido de carbono se reduce significativamente. Aún tenemos algunos desafíos y quizás incluso un patrón emergente que justifica una investigación, pero |
| |
También hay beneficios en este tipo de cosas, porque, además de tener nuestro proceso bajo control y poder demostrarlo estadísticamente, también podemos crear algunos |
| |
estudios para evaluar eficazmente la tasa de absorción del dióxido de carbono en nuestros polvos también. |
| |
Entonces, y esto es realmente importante, porque si podemos entender cómo nuestro producto absorbe el dióxido de carbono, entonces conduce a otras ventajas, una de ellas es... |
| |
Cuando la grasa absorbe el dióxido de carbono en una bolsa, crea un vacío dentro de esta bolsa sellada, por lo que cuando crea un vacío |
| |
La bolsa comienza a sellarse alrededor del polvo y hace que la bolsa de polvo sea mucho más rígida. |
| |
Entonces ahora, desde la perspectiva de la cadena de suministro, se reducen los riesgos y se hace la vida más fácil cuando podemos apilar estas bolsas en paletas para su transporte y envío. |
| |
Ahora es como si estuviéramos apilando bloques de hormigón, en lugar de intentar apilar almohadas suaves, esponjosas y flexibles. Así que todos ganan. Tenemos... |
| |
usado y definitivamente no soy un codificador, pero definitivamente nos hemos comunicado y hemos recibido mucha ayuda del grupo de usuarios irlandeses |
| |
y a la comunidad JMP... Y, de hecho, saben qué, voy a señalar a Troy Hickey de Intel, en particular, quien ha sido muy útil ayudándonos desde el grupo de usuarios irlandeses. |
| |
En la comunidad JMP, es genial cuando te acercas y haces una pregunta, en un área en la que tal vez estás buscando algo de claridad. |
| |
o tal vez un área sobre la que no sabes nada y obtener una respuesta de personas de las que nunca has oído hablar, un experto responde y es excelente. |
| |
Entonces, en este caso, pudimos crear un código usando algo de JSL y pudimos crear este gráfico de control. |
| |
Formato, si lo prefiere, con pestañas. En este caso, para leche desnatada en polvo, leche entera en polvo, suero desmineralizado en polvo y caseína para medir la proteína. |
| |
Pruebas en nuestros laboratorios. Actualmente, monitoreamos alrededor de 30 pruebas diferentes y la diferencia entre los estándares y la química húmeda. |
| |
a diario, y también la diferencia que existe entre los métodos manuales y los métodos de infrarrojo cercano, es decir los métodos automatizados. |
| |
Y queremos asegurarnos, por ejemplo, si analizamos los estándares de química húmeda, queremos apuntar a un objetivo de cero. No queremos que haya ninguna diferencia entre los resultados que analizamos en un laboratorio y los que... |
| |
La norma dice que debería ser así. Por lo tanto, queremos un objetivo de cero y esto nos muestra que, en este caso, ¿dónde está el...? |
| |
proteína, en polvo de suero desmineralizado, estamos un poco fuera; estamos en .04 y podemos realizar un seguimiento del perfil de nuestro proceso y podemos obtener |
| |
El proceso para indicarnos que se ha producido un cambio de proceso. Así que, en este caso, nueve datos... al menos nueve puntos de datos consecutivos por encima de la media. |
| |
Y sabemos entonces que hay que parar el proceso y no continuar más, porque hay que investigar y poner algo en marcha para rectificar... rectificar el problema, el cambio de proceso en este caso. |
| |
Así que esto ha sido enormemente positivo para nosotros y estamos en una etapa en la que tenemos esta configuración ahora y funciona todos los días, y a pesar de que hay, |
| |
Ya sabes, cientos y cientos de cientos, miles, incluso en este punto de puntos de datos, el script está configurado de modo que solo muestra los últimos 42 puntos de datos, que son la última semana de datos en cualquier momento, aunque los límites de control están configurados para |
| |
Basado en datos previos del proceso. Así que es muy bueno contactar a la comunidad JMP. En términos de... |
| |
los tiempos de llegada de los camiones a la empresa, así que en este caso tenemos 54.000 camiones cisterna que llegan a cuatro sitios diferentes, en todos los sentidos, ya sabe, de medianoche a medianoche. |
| |
Y es muy útil para darnos una idea de las diferentes distribuciones existentes, desde el tiempo de entrega hasta las obras. Y esto es importante para nosotros, porque no queremos... queremos que un camión cisterna llegue a la obra. |
| |
y descargar la leche y abandonar el sitio lo más rápido posible. No queremos que se produzca el caso en el que tengamos |
| |
Hay mucha aglomeración, y quizás en un sitio, como en este caso, haya camiones alineados uno tras otro. Queremos que haya un flujo fluido durante todo el proceso. |
| |
Y aquí, como ejemplo, se puede ver desde las ocho de la mañana hasta las nueve, |
| |
Ahí es donde, ya sabes, la gente probablemente se ha ido a desayunar. Tenemos más tráfico y no hay tantas entregas a los sitios, y lo mismo aquí, el tráfico es más denso por la noche. |
| |
Y los camiones se detienen o se van... los conductores se van a cenar, etc. Así que podemos profundizar un poco más en eso y dar la aprobación para cada uno de los diferentes sitios, es decir, dos sitios, en este caso Clonmel Road y Castlefarm, |
| |
para las carreteras que llegan, y estos sitios están muy cerca uno del otro, para las carreteras que llegan en dirección norte, sur, este y oeste, |
| |
¿Cómo se ve y estamos teniendo una distribución clara entre los datos que queremos o |
| |
¿Hay transportistas que no están entregando las 24 horas desde el este, por ejemplo? Podemos entender qué está pasando y también podemos usar esa información. |
| |
y decir, bien, desde una tasa de descarga de la bomba, porque tenemos en este caso, dos sitios que tienen 11 bombas que están descargando |
| |
más de 500 millones de litros al año en dos sitios. |
| |
Queremos intentar comprender qué bombas son más o menos eficientes que otras. Y, claramente, podemos ver aquí que hay cuatro bombas con una mayor tasa de descarga. |
| |
Así que pueden extraer más leche más rápido y en el mismo tiempo que otros extractores. Y aquí pueden ver que... |
| |
En el Sitio 2, la bomba número tres es la más eficiente, mientras que las bombas 4 y 3 son las menos eficientes. Por lo tanto, si tuviéramos que realizar una revisión de mantenimiento, sabríamos que estas son las bombas que deben revisarse primero. |
| |
Usamos JMP para evaluar los sistemas de medición tanto de excelencia como de oportunidades, y lo hacemos, ya sabe, |
| |
Tantas veces que ya ni siquiera puedo llevar la cuenta. En este caso, al analizar los ortofosfatos (?), y, ya sabes, es una prueba de calibración estándar y los resultados son realmente buenos. Así que... |
| |
19 categorías distintas; 19 es excelente y Gauge R&R es .5, por lo que menos de 10 es ideal y solo significa que sabes que tenemos muy buenos |
| |
Sistemas de medición implementados que son consistentemente confiables. Independientemente de la pieza que le entregue a cualquier analista, le darán el mismo resultado. |
| |
De esta manera, la persona que realiza la prueba no influye en los resultados de las pruebas, que es lo que siempre se desea ver. |
| |
A veces podemos tener sistemas de medición subjetivos y también necesitamos realizar análisis de acuerdo de atributos. |
| |
Entonces, en este caso, estamos viendo evaluaciones visuales de productos empaquetados y podemos buscar algo como redondez, bordes dañados o relieve. |
| |
Legibilidad, etc. Después de las mejoras, pueden ver que tenemos entre un 90% y un 95% de acuerdo entre los tasadores. |
| |
En general, se puede ver que el nivel de acuerdo es del 82% en términos de número de partes coincidentes y acordadas por |
| |
dentro de cada... dentro y entre cada operador, pero probablemente más importante, es la efectividad, que es la alineación con el estándar. |
| |
Y podemos ver aquí después que el grado de conformidad con el estándar es ahora del 96%, lo cual es realmente bueno. Y, como saben, podemos garantizar que nuestros productos tengan una clasificación fiable, incluso cuando sean subjetivos. |
| |
Obviamente, también podemos diseñar experimentos para cuantificar el efecto de diversos factores. En este caso, analizamos el WPNI (Índice de Nitrógeno de la Proteína de Suero), que es un nivel de medición. |
| |
La desnaturalización de proteínas en nuestro producto es una indicación del nivel de tratamiento térmico que ha recibido el producto, y eso puede ser, |
| |
Disculpe, eso puede ser muy importante porque el nivel de tratamiento térmico puede afectar la aplicación. |
| |
Desde la perspectiva del cliente. Por lo tanto, si, por ejemplo, se aplicó un nivel incorrecto de tratamiento térmico, podría significar que un cliente que quiera usar nuestro producto para elaborar, por ejemplo, yogur, |
| |
entonces el producto no sería adecuado porque podría dejar tal vez una sensación granulada, una sensación granulada en la boca, tal vez o algo así, por lo que no es adecuado para un producto como el yogur. |
| |
Entonces, estábamos teniendo problemas con resultados inconsistentes del índice de nitrógeno de la proteína de suero y se notó cierta ambigüedad en nuestro procedimiento. |
| |
en el sentido de que estaba abierto a la interpretación. Así que podría decir, ya sabes, agitar algo, |
| |
agita este frasco, ya sabes, podría simplemente decir agítalo, y alguien podría decir, sí, lo agito durante cinco segundos, alguien más podría decir, lo acabo de invertir 10 veces, y alguien más diría, sí, lo agito vigorosamente durante 30 segundos. |
| |
Así que todo el mundo, con las mejores intenciones, siguió el procedimiento, pero si el procedimiento es ambiguo, entonces está abierto a interpretación y eso también puede llevar a inconsistencias. |
| |
Entonces, lo que estamos tratando de hacer es diseñar ensayos para comprender los factores que pueden influir en la variación en nuestro proceso. |
| |
Así que aquí tenemos, ya sabes, una solución de cloruro de sodio, es decir, una solución de agua salada, preparada con una barra de inicio y sin barra de inicio. |
| |
La duración en un lugar caliente es de 45 o 60 minutos y luego usando esa solución aquí, y este pequeño plan de prueba aquí, estábamos... la temperatura del baño de agua es de 37 y 40 grados, esta es una de las cuatro soluciones aquí codificadas por colores. |
| |
Y luego tenemos intervalos de agitación en baño de agua y creo que también se utilizaron gotas de ácido clorhídrico. |
| |
Y nuevamente podemos usar el explorador interactivo para ver qué sucede con el proceso cuando tenemos resultados bajos de WPNI. Un poco |
| |
Es más difícil entender qué está pasando aquí, así que obviamente necesitamos ir un poco más allá y empezar a construir algunos modelos y entender qué está pasando. |
| |
Los modelos son bastante buenos aquí en términos de las fortalezas de las que estamos hablando, R cuadrado está alrededor del 68%. |
| |
Y podemos ver eso directamente, los efectos principales aquí, el efecto principal más grande es la temperatura del baño de agua, seguido por la duración de la barra de agitación y el efecto de interacción de la placa calefactora. |
| |
Y también podemos ver el efecto, qué parámetro está tirando... qué efecto está tirando. |
| |
El proceso en qué dirección también. Y tenemos el valioso perfilador de predicción aquí abajo. Podemos explorar qué está sucediendo. |
| |
Lo que me gusta, además de que se pueden utilizar los resultados, a veces, bueno, a veces utilizo los resultados de algunos de estos experimentos para... desde una perspectiva educativa. |
| |
Así que hablé antes sobre, ya sabes, la barra de agitación y la duración de la placa calefactora como un factor importante, y este es un efecto de interacción, es decir, cuando el efecto de un factor depende del ajuste de nivel de otro. |
| |
Pero puedes, ya sabes, puedes intentar explicarle a alguien en una página el efecto de interacción; tenemos líneas cruzadas y una línea cruzada significa que hay... |
| |
Una interacción fuerte, y si las líneas son paralelas, pero parece que se van a cruzar, es una interacción pequeña. O puedes tomar los datos y graficarlos. |
| |
Y en este caso, mucha gente no ha visto realmente cómo es una interacción con dos factores, y así es como se ve una interacción... una interacción y se puede usar como... |
| |
También como herramienta educativa. En nuestro caso, tenemos el resultado de WPNI en el eje y, perdón, sí, en el eje y. |
| |
duración en placa calefactora a 45 minutos y 60 minutos, entonces si nos quedamos en 45 minutos, donde no tenemos barra agitadora y si cambiamos...nos quedamos con 45 minutos y cambiamos a barra agitadora, podemos ver que saltamos de este nivel a este nivel. |
| |
Mientras que cuando vamos con 60 minutos, estamos... el nivel WPNI está aquí, sin barra de movimiento y saltamos a una barra de movimiento, podemos verla descender. Entonces |
| |
El salto no es tan grande aquí como aquí, pero de inmediato, esto muestra que la interacción que afecta la barra de agitación y la duración de la placa calefactora es bastante grande. |
| |
Y esto es lo que se desprende de esto, de nuevo, como un gran conocimiento y comprensión del proceso. También podemos usar algunas herramientas de clasificación, como en este caso los árboles de decisión, para intentar comprenderlo. |
| |
Entonces, esta es una consulta de I+D en relación con el dorado del queso y, como bien parece, está relacionada con el dorado del queso. |
| |
En un horno, cuando se aplica calor, es un poco, como en las pizzas. Así que no queremos que el queso se queme demasiado pronto. Si se usa queso cheddar en una pizza, no queremos que se queme demasiado pronto. |
| |
Quieres que tenga algo de vida y que la receta esté lista. Así que, de nuevo, y aquí hay un ejemplo de una clasificación, perdón, un árbol de decisión, donde estamos viendo... |
| |
tres niveles diferentes, si lo prefieres, marrón claro, medio y oscuro representado por el árbol, el color es verde, |
| |
Ámbar y rojo, respectivamente. Podemos ver que el pH en funcionamiento es el factor más importante, en particular si el pH en funcionamiento es superior a 6,48. |
| |
Entonces podemos ver que el 99.3% de nuestro proceso tendrá, ya sabes, un color marrón claro, que es lo que buscamos. El verde es bueno, el rojo es malo. De igual manera, sabemos que corremos riesgo si nuestro pH es inferior a 6.48 y tenemos... |
| |
y tomamos nuestras muestras, por lo que el queso en nuestro bloque, en nuestro bloque de literalmente 20 kg, se toma de una esquina, entonces sabemos que tenemos un 31% de posibilidades de obtener |
| |
Se oscurece, así que no va a quedar bien. Desde esta perspectiva, podemos ver que el tamaño de... |
| |
Los recuentos, que representan el número de objetos, también están causando esto, y también en términos de la terminación de los nodos hoja en el árbol. Así que puedes obtener |
| |
un buen sentido de lo que está pasando en su proceso, en términos de los factores importantes que mejor separan, en este caso, la clasificación de Browning. |
| |
Y digo bosque bootstrap encubierto aquí, porque creo que esta es una herramienta subutilizada dentro de JMP y... si entiendes lo que hace un árbol de decisiones y cómo funciona, entenderás que es una herramienta bastante poderosa. |
| |
Y no estoy seguro, si soy honesto, no estoy seguro de si el algoritmo que se usa para los árboles de decisión, ya sea un dicotomizador iterativo o |
| |
C 4.5 o 5.0 o lo que sea, pero lo que sí sé es que la selección de predictores utiliza el algoritmo del árbol de decisiones en segundo plano y utiliza el bosque bootstrap, que es |
| |
Muestreo con reemplazo también, para crear un grupo de estos árboles y unirlos todos para luego obtener los resultados promedio, si se desea, de los árboles. En este caso, señalando que, y esto es de... |
| |
Ejemplo de gráfico paralelo anterior para los 30 parámetros de máquina diferentes; en este caso, se observa que en realidad hay 31. |
| |
Porque cuando regresé al equipo, dije que había algo diferente en la presión del aire de la boquilla y que parecía ser un factor importante y las pruebas de predicción me lo estaban diciendo. |
| |
Una mano se levantó desde el fondo de la sala y dijo: "En realidad, |
| |
De todos los parámetros, probablemente ese no sea el que debería haber estado allí porque en realidad no es un parámetro de máquina, simplemente lo introdujimos nosotros mismos para ver si algo resaltaba. |
| |
Y efectivamente, este fue el que saltó a la vista, por lo que hubo que sacarlo y evaluarlo por separado. |
| |
En términos de, y casi lo logro también, en términos de presentación, así que en términos de ellos |
| |
Al utilizar modelos para predecir el desempeño futuro, es donde pasamos de la comprensión a la previsión. |
| |
Y aquí es donde creamos un modelo que es bastante sólido, con un 76 % de efectividad, basado en 1438 observaciones. |
| |
La pregunta era si podemos crear una herramienta que nos ayude a predecir tanto la cantidad de pedidos que ingresan al negocio cualquier día de la semana, cualquier semana del año y |
| |
También predecir el número de pedidos que recibiríamos...perdón, ¿también predecir las cantidades de pedidos que recibiremos ese mismo día? |
| |
Así, pudimos tomar todos los datos históricos y utilizar el generador de perfiles de predicción para seleccionar qué año, desde una perspectiva de estacionalidad, es el más común para lo que estamos tratando de predecir. |
| |
Y luego vaya al mes correspondiente, la fecha que desee y el día de la semana y luego determine si es feriado o no. |
| |
Y pueden ver aquí, tengo dos configuraciones diferentes configuradas aquí. Una es para cuando tenemos un día festivo, otra para cuando no lo tenemos, y pueden ver que hay una diferencia significativa |
| |
También existe un efecto de interacción entre el día festivo y el día de la semana. Así que podemos volver al tema empresarial. |
| |
Cualquiera que sea el día de la semana, el 26 de octubre de 2019, que es jueves y no un fin de semana festivo, se espera que lleguen 120 pedidos y eso equivaldrá a un poco menos de 1100 toneladas métricas de producto también. |
| |
De hecho, lo hemos ejecutado durante dos fines de semana, uno festivo y otro no, y el resultado fue del 85 %, lo cual es muy bueno. Así que, aunque el modelo era del 76 %, en realidad resultó bastante bueno. |
| |
Luego, de la percepción a la previsión, donde nuevamente estamos tratando de tener en cuenta la variabilidad de la temporada, |
| |
Tenemos diferentes años aquí, representados por diferentes colores, por ejemplo, 2015, 16, 17, 18, etc. Y estamos viendo una cifra... algunos de los pedidos de cantidades de alimento que llegan... |
| |
El negocio. Cada punto representa una cantidad de pedido semanal y lo que he exagerado aquí es que he superpuesto el modelo predicho real, de modo que el valor predicho... |
| |
Cada una de esas semanas. Y se puede ver la precisión del modelo respecto a lo real, es decir, lo real frente a lo previsto. |
| |
Y luego poder usar, y si soy honesto no lo recuerdo... era el pronóstico exponencial estacional o nuestro ARIMA estacional, |
| |
promedio móvil métrico estacional para determinar cómo serán los próximos seis meses. |
| |
Y nuevamente, esto resulta enormemente valioso para nuestro negocio, donde la estacionalidad es un desafío, y podemos usar estas herramientas, con un alto grado de confianza, para entender qué nivel de pedidos podemos esperar en el negocio en el futuro. |
| |
Y por último, y supongo que es un poco exagerado para nosotros, ya que no hemos explorado esta zona antes, pero las redes neuronales. En este caso, se usan como prueba para ver si podemos clasificar los sedimentos en nuestro proceso. Si tenemos los resultados de ADPI, esto es... |
| |
Una plataforma de sedimentos y observamos una cantidad de posibles partículas quemadas, quizá de un proceso de secado, etc. ¿Y dónde nos encontramos? ¿Es un nivel A, B, C o D? |
| |
Aquí el resultado del tamiz representa el número de partículas que quedan en un tamiz y el resultado del tamiz T1B1 representa la parte superior e inferior. |
| |
T1 representa la cantidad de partículas que podrían estar flotando en la superficie del agua y B podría representar la cantidad de partículas en el fondo, es decir, el sedimento que se hundió hasta el fondo. |
| |
Y nuevamente usándolo en la red neuronal aquí y con la validación cruzada de K pliegues, así que creo que K se estableció en 10. Tenemos nueve |
| |
Creo que también hay funciones de activación aquí. Sí, hiperbólicas... lineales, gaussianas y, creo, también tangentes hiperbólicas. |
| |
Y podemos utilizar cada uno de estos |
| |
Los nodos de entrada también alimentan nuestra función de activación, y luego tenemos nuestra capa de salida, que nos ha dado el resultado final. Así que podemos usar... |
| |
En este caso, 6.245 resultados. |
| |
Entrenamos nuestro modelo y, una vez validado con la validación cruzada, podemos crear nuestra matriz de confusión, lo cual también es muy útil. Es decir, no tenemos tantos valores en A1/A2. |
| |
hasta calificaciones B, como hacemos para A1, pero nos está mostrando que, ya sabes, si tenemos una calificación A2 |
| |
que predijimos que 35 de ellos serían un verdadero dos y solo dos serían A1. Por lo tanto, puede haber algún error y el error puede provenir de cómo se diseñó el modelo. |
| |
Ya sabes, inicialmente creado por calificadores que intentaban evaluar manualmente la diferencia que existe en cada uno de estos, si y cuando. |
| |
Surge cierta ambigüedad en los resultados y al intentar tomar una decisión final. Así que supongo que la pregunta es: ¿podemos lograr que una máquina prediga con precisión cuál será esa decisión final? |
| |
Y de nuevo, esperaríamos que la probabilidad de obtener una calificación asignada como A1 aquí, esperaríamos que fuera bastante alta si el resultado del tumbler fuera T1B1, casi sin flotadores ni plomadas. |
| |
y si los resultados del tamiz también fueron bastante bajos, en términos de cantidad de partículas, entonces esperaríamos tener nuestros resultados aquí arriba para A1. |
| |
El hecho de que veamos A1 aquí podría indicar que el entrenamiento del modelo no fue tan efectivo como podría haber sido y que podría haber habido algunos errores en el modelo. |
| |
Y de nuevo, puedes ver que aquí se creó un modelo muy... bastante complejo. |
| |
Para esto, pero es un poco complejo, como creo que todos sabemos desde la perspectiva de las redes neuronales. Pero, repito, supone una gran cantidad de conocimiento de procesos y pruebas de concepto para nosotros, supongo, a medida que avanzamos hacia el aprendizaje automático y la IA. |
| |
Entonces, sé que disparé mucho a la gente, y fue bastante apresurado, y probablemente podría hablar durante horas sobre todo el asunto y disculparme... disculpas si me sentí apresurado, pero lo que diría es solo desde la perspectiva de pensamientos finales, |
| |
Creo que se ha demostrado que, sin importar en qué industria se encuentre, incluso si se trata de la industria agrícola, que está muy alejada del entorno típico de análisis de datos, en cualquier industria, puede utilizar |
| |
análisis de datos para agregar valor significativo al negocio, y puede llegar y ayudar a casi todas las partes del negocio. |
| |
Además, diría que no subestimen el valor del análisis gráfico simple. Fue solo a mitad de esta presentación que comenzamos a presentar algunos de los análisis más potentes que integra JMP y |
| |
Creo que es genial saber cómo usar todas las herramientas sofisticadas y que hay un momento y un lugar para ello, pero, ya sabes, lo simple también puede ser muy poderoso y no subestimes su valor. |
| |
Aparte de eso, les agradezco a todos por escuchar. Se lo agradezco mucho y si tienen alguna pregunta o comentario, serán bienvenidos. Gracias. |
