756671_zh-TW

liliconcom

Dairygold 資料探勘：從長條圖到神經網路 (2021-EU-30MP-735)

Kieran O'Mahony，Dairygold 數據科學與分析經理

在現代社會，數據分析的應用通常更與金融、醫療保健、製藥、醫療器材、半導體、電子商務等產業連結在一起。 「農業」和「分析」這兩個詞很少出現在同一個句子中。本次研討會將深入探討一家擁有悠久傳統和歷史的企業如何擁抱並鼓勵數據分析，從而確保其不再被視為「數據豐富但資訊匱乏」的企業。本次研討會將展示多個案例，展示JMP如何幫助Dairygold實現更多數據驅動的決策。

自動產生的成績單...

揚聲器	抄本
基蘭·奧馬奧尼	好的，非常感謝，我叫 Kieran O'Mahony，我是愛爾蘭 Dairygold 的數據科學和分析經理。
	我的演講主題是「從長條圖到神經網路挖掘 Dairygold 的數據」。
	因此，我認為可以公平地說，數據分析的使用通常與金融、醫療保健、製藥、半導體等行業更相關，而且「農業」和「分析」這兩個詞很少出現在同一個句子中。
	因此，本次會議旨在深入了解一些非常傳統的企業如何接受並鼓勵在整個企業中使用分析。
	因此，這次會議可能與你在 Discovery 上看到的其他會議有所不同，因為我在這裡嘗試做的不是專注於一個項目，而是展示多個如何
	Dairygold 使用 JMP 在整個業務範圍內（不僅僅是在製造業）實現了更多數據驅動的決策，我認為這很重要。
	因此，在我開始之前，我認為有必要先介紹一下業務背景、概述以及我們所做的事情。
	So Dairygold 是愛爾蘭領先的農民合作社，擁有位於金谷中心地帶的最先進的起司和營養粉生產設施。
	好的，只是為了解釋一下，作為一個合作社，我們基本上......基本上意味著我們歸牛奶供應商所有，也就是歸農民所有。
	因此，我們有 2,800 家牛奶供應商每天為我們提供牛奶，其中每一家都是股東，因此這種商業模式有點不尋常，因為原材料供應商也是企業的所有者。
	去年的營業額是12億歐元，我們大約有1200名員工，每年加工約14億公升牛奶，所以每天我們收到的牛奶量相當大。事實上，
	在高峰期，因為我們的業務是季節性的，所以在高峰期生產時，我們談論的是每天有超過 600 萬公升牛奶到達各個站點。
	我們也有零售店，你可以買到從鐵鎚到家用電器、農業設備等各種商品。我們也涉足農業領域，在自己的工廠生產動物飼料。
	Dairygold 已經存在很久了，它起源於 1908 年，當時名為 Ballyclough，1919 年更名為 Mitchelstown，1990 年更名為 Dairygold。
	我們可能已經走了......好吧，不是可能......可以公平地說，我們已經從多年前用馬車運送牛奶的時代走了很長的路。
	這是一個非常傳統的組織，有著悠久的歷史，但也是一個非常進步的組織。
	當我說我們已經取得了長足進步時，你知道我們現在擁有一個非常龐大的供應鏈和一支油輪船隊，每艘油輪，
	舉個例子，每輛油罐車運輸約26,000公升牛奶，我們每天從2800家供應商收集牛奶。這是一個非常複雜的供應鏈，因為
	我們不僅從供應商收集牛奶，而且還從乳酪加工廠收集乳清，如果我們沒有自動將其引導到
	透過管道輸送到不同的地點。所以我們也用油罐車收集，然後運送到其他地點。
	我們對銷售給其他客戶的脫脂牛奶濃縮物和脫鹽乳清濃縮物也採取同樣的措施，此外，我們還分銷粉末部分和起司部分業務。
	我們還擁有歐洲最大的烘乾機（？），您可以在這裡看到一個跨越五到六層樓的烘乾機。
	因此，在過去的五、六年裡，Dairygold 在所有工廠投資了超過 4 億美元，因此可以確保...確保我們...
	我們可以滿足未來奶池規模擴張的需求。就我們生產的產品而言，我們生產
	粉末和乳酪，大部分是全脂奶粉、脫脂奶粉和蛋白粉，以及許多不同類型的乳酪，尤其是乳酪和切達乾酪。
	我們供應多個領域的產品，從糖果、比薩到鹹味食品、優格和加工食品，甚至還有嬰兒配方奶粉和嬰兒食品。
	而且您很可能…如果您今天吃過東西，那麼很有可能您還吃了一些脫脂奶粉或全脂奶粉，因為如今，這種成分在許多食品成分中都很常見。
	這就是我們業務的背景。就數據而言，我認為可以公平地說，很多企業看起來數據非常豐富，但資訊卻匱乏。
	也可以公平地說，你擁有的數據越多，有時隨之而來的混亂就越多。
	有時我認為，即使你掌握了所有信息，並且……你掌握了這些人群，並且你知道，你對具體情況有一個概念
	您需要提取資料才能從企業中獲取有用的信息，但有時企業並不確切知道如何處理這些資料。
	從 Dairygold 的角度來看，我們想要做的是嘗試遠離大腦的右側，我認為它的重點是使用假設、直覺、猜測和直覺，
	並且更多地轉向大腦的左側，那裡更注重使用邏輯、數學、推理和科學，但這也是我們希望在業務中更多地使用並在整個業務中使用更多數據驅動的決策。
	有一次，在一次演示之前，有人要求我總結一下 Dairygold 的數據策略，並將其寫在一頁紙上，我想當時，我…
	那時我才意識到我們當時可能沒有一個完善的數據策略。
	但我現在嘗試做的只是用一張圖片來展示我們的實際數據策略，這非常簡單。
	因此，我們希望獲取業務中存在的數據，並透過分析將其轉化為有用的信息。
	從這些資訊中，我們可以得到關鍵問題的答案，有時我們不僅得到了問題的答案，有時
	我們最終會提出更多問題。但這些問題非常重要，也非常有力，因為這些問題是我們一開始並不知道該問的。
	所以有時我們需要回頭再次查看我們的數據，以幫助我們得到這些問題的答案。
	但最終，當我們對所有問題都有了答案時，我們就會處於更有利的地位，並且對我們的流程有更深入的了解。
	有了這種洞察力，我們就能及時做出一些以數據為依據的決策，並給我們正確的……引導我們朝著正確的方向前進。
	如果我們足夠了解我們的流程，我們有足夠的洞察力，那麼我們應該能夠利用這些數據來
	高度準確地理解未來可能發生的事情。因此，良好的洞察力也應該使我們能夠擁有良好的預見性，從而能夠預測將要發生的事情。
	因此，正如我在一開始所說的，本次演示的目的是提供一些 Dairygold 使用數據的不同方式的例子。
	我想說，從內部角度來看，我們在根據數據做出決策方面已經走了很長一段路，現在我們開始進入整個機器學習和人工智慧領域。
	所以我堅信簡單也可以非常強大。
	這就是為什麼這個演示被稱為“從條形圖到神經網路”。
	我認為，強調這一點非常重要，從非常簡單的分析中也能獲得巨大的價值。所以我想在這裡分享的第一個例子就是長條圖。
	但有時我認為人們可能會在簡報中使用橫跨多頁的條形圖，而使用 JMP，只需將所有資訊放在一個
	視圖。在本例中，我們觀察到的是清潔過程中的硝酸，在頂部，我們可以看到硝酸清潔過程各個階段的每個數據點。
	你可以看到每個步驟中使用的硝酸量。下一步我們要看的是…查看使用次數，也就是該步驟循環的次數。
	這裡我們查看的是每個步驟中硝酸的平均用量。例如，我們可以看到，
	你知道，我們這裡的平均用水量較高，每週 24 公升，但這一步驟發生的頻率只有四次，
	顯然，這個異常值造成了偏差，所以這顯然是有偏差的，對我們來說可能更重要的是，因為我們在這裡試圖理解
	並減少每日、每週、每月使用的硝酸量，即整個過程中每個製程步驟所用硝酸的總和。
	重要的是…我想，對我們來說，在這裡強調什麼是重要的，這只是簡單的長條圖，但它給了我們很大的方向
	在業務上，讓我們離開……抱歉，避免讓我們離題，因為當我們查看所有這些數據時，我們可以看到
	三個不同的區域都很明顯。我們進行了最終漂洗、預漂洗，以及另一個最終沖洗步驟。數據顯示
	在這些沖洗步驟中使用了酸，但這是不可能的，因為沖洗步驟只涉及水。
	因此，進一步挖掘表明，供應商最初在我們的掃描器系統上設置了錯誤的資料標籤
	監測流速。我們以為我們實際上在監測硝酸的使用量，但實際上並沒有。我們被錯誤地告知了。所以
	我們確實可以深入挖掘並了解我們的流程和驅動它的因素，但非常簡單的條形圖通常可以指明正確的方向，我們能夠準確地了解我們的業務中真正發生的事情。
	我們在商業中使用長條圖，說實話，這可能是我最喜歡的長條圖在商業中的用途之一，因為它非常簡單。
	但它顯示...它在一頁上顯示了停機時間的四個不同維度，非常簡單，非常用戶友好，使用和閱讀都很直觀，我認為也是如此。
	所以我們這裡顯示的是乳酪工廠每個月監控到的停機時間。所以你看到的是 Y 軸上的停機時間（分鐘）。
	乳酪工廠內六個不同區域的每一個，每個月的四月、五月、六月、七月等等，直到九月，按降序排列，我想，按時間順序排列，真的
	針對 A、B、C 和 D 班次。現在，你可能會認為這些數據是編造的，因為分鐘數太少了，但從
	從乳酪生產的角度來看，工廠不會停止運作。所以這些是真實的數字，我的意思是，我們每月以分鐘為單位監控停機時間。
	如果該過程停止，則產品的 pH 值會發生變化，這可能會對
	產品的最終銷售價格和品質也是如此，因此我們無法停止。
	這就是我們目前維護的水平。時間已經縮短到幾分鐘，很明顯，BetaVac 的問題不大，但對於 Blockformers 來說，我們發現 C 和 D 班次出現了問題。
	Blockmaster 上的 C 出現了更多問題。在傳送帶區域，C 又跳出來了，角撐板 C 和 D 也出現了同樣的問題。
	這裡C班和D班可能還有更多問題。因此，我們從分析中得出的結論是，從維護的角度來看，C班和D班次遇到了一些困難，需要更多支援。
	我們特別喜歡動態鏈接
	JMP 元素也用於資料探索。而且，在這種情況下，我應該指出，我們公司內部有很多實驗室，所以我們有微生物實驗室、化學實驗室、？ ？ ？實驗室，
	我們對牛奶、起司、水以及加工產品和成品進行檢測，並對業務的大量元素進行檢測。
	如你所見，這個互動式連結功能被製作成了一個互動式 HTML，
	以便整個企業中的不同人員可以共同建立一個儲存庫，然後能夠查看它並與之互動。
	因此，我們在這裡嘗試做的是創建一個存儲庫，以便我們能夠發現業務中存在的問題，因此在這種情況下，我突出顯示了阻塞...抱歉，我顯示了堵塞的管道和蒸發器 CIP 和斷電。
	點擊「停電」時，你會看到綠色長條圖中的陰影區域被高亮顯示。所以在這種情況下，你會看到停電，八月發生過一次或多次停電。
	它影響了這裡的加工階段，特別是在這些過程中最常見的微生物是鏈球菌。
	因此，這裡的價值在於，當我們從因素角度不斷向此儲存庫添加問題時，將能夠
	展望未來，了解發生某些事情時對企業的風險，這樣我們就知道下次停電時，我們可能需要增加此階段或過程中的測試量，因為發生鏈球菌感染的風險更高。
	有時你會發現酒吧太多了，你需要添加季節性和更平滑的
	也是為了增加可見度。這是我們在業務中面臨的一個挑戰，我稍後會談到，那就是業務的季節性因素。
	我們非常重視這一點，因為乳牛吃草，而草最終顯然被用來生產牛奶，而且因為愛爾蘭的天氣非常不穩定。
	今天可能下雨，明天可能會下雪，後天可能陽光明媚，所以從季節性的角度來看，這裡的每種條形顏色都代表不同的年份，例如 2015、16、17、18。
	我應該補充一下，它也只是在周末，並且它會查看周末的整體訂單，以了解中間的綠色情況。
	您可以看到 2016 年和 2017 年有些相似，因為它們都呈 M 形，而 2018 年則非常不同。
	舉個例子，我們都在互相丟雪球，六週後，出現了一股熱浪，我們禁止用水管。
	因此，在業務中使用實際上受天氣影響的季節性數據非常非常困難，但這是我們嘗試克服的挑戰之一。
	所以，從趨勢來看…為了保持趨勢視角，我們也使用 JMP 進行非專案驅動的探索。這裡有一個範例，2800 家牛奶供應商平均每月
	蛋白質和脂肪的分析結果都來自兩年內的數據。因此，這裡的每個刻度線代表的是2018年9月、2018年10月等等。
	所以它顯示了我們供應商內部和供應商之間存在的差異範圍。有用的是，我們可以進行細分，例如，我們可以針對這個人進行具體分析，為什麼這個人的利潤這麼高？
	他的脂肪和蛋白質含量一直很高，我們可以從這個供應商身上學到一些東西，然後分享給其他供應商嗎？
	或者相反，低端市場還有其他供應商嗎？
	這可能需要我們的牛奶顧問提供一些支持和幫助，因為他們一直無法從牛奶中獲得足夠的蛋白質和脂肪
	高。這些很重要，因為蛋白質和脂肪的含量是農民獲得報酬的參數。
	因此，在這種情況下，事實證明這個人是極少數選擇每天只擠一次奶的牛奶供應商之一。
	所以，這意味著他的脂肪和蛋白質水平實際上比其他人都高，但他回饋給 Dairygold 的量較少，但這是他的選擇。
	平行情節。
	這些是我目前最喜歡的，因為我認為它們在一頁上同時顯示了大量不同參數的大量資訊。
	這是一個實際正在發生的問題，所以這實際上是剛剛曝光的，但問題實際上還沒有解決。
	所以我們在這裡看到的是...這與流化床乾燥機和旋風分離器中間歇性粉末堵塞有關，
	這基本上意味著粉末堵塞了乾燥機和旋風分離器。我們稱之為堵塞，所以設備堵塞了，我們必須停止設備並清理它們。
	所以我們實際上在這裡看到的是
	30 個不同的參數，全部測量...全部顯示在 X 軸上。
	從左到右的每一行代表這 30 個參數的設定時間，每行代表一分鐘。紅色表示
	發生阻塞前一小時內的分鐘數，所以這些是級別設置，如果你願意的話，60
	發生...任何阻塞發生前 60 分鐘，這裡的紅色組代表九種不同的阻塞發生。
	好的，這裡不是 540 股，所以這實際上就是窒息發生之前發生的事情的指紋。
	而當…我們試圖從機器參數的角度將其與典型的正常運作生產場景進行比較。
	這真的很好，因為你可以看到它們的對比，甚至更好，如果你能把它們疊在一起，我…沒有窒息的聲音在背景中變成了重影。所以現在有趣的是，我們實際上可以看到
	阻塞場景與非阻塞場景有何不同，並了解發生了什麼。例如，目前正在探索的一個問題是，
	你知道，我們的壓差似乎較低。
	在大多數情況下，當我們遇到阻塞時，這是否是我們應該留意的潛在因素？這是導致阻塞的原因嗎？因為典型的訂單操作
	當壓差條件良好時，參數也很高。這只是一個例子。
	使用GPS數據來視覺化供應商位置的模式和趨勢，我們在這裡關注的是12月份以及整個芒斯特地區的蛋白質水平，我們所有的供應商都在那裡。這裡的每個點代表公司內部的一個供應商位置。
	點的大小代表供應商向 Dairygold 提供的牛奶量，所以點越大，農場實際上就越大。
	這裡有一個發散的尺度，我們預期體積...抱歉，蛋白質水平應該是 3.5，所以我們對此不太感興趣，並且用灰色陰影表示。
	但任何大於 3.5 的都是綠色的，所以那是…他們是做得非常好的人，紅色的是可能的供應商，
	抱歉，他們可能在提高蛋白質含量方面有些困難。所以我們可以利用自己的數據來聯繫供應商，看看是否有供應商需要我們牛奶顧問的支持，我們也可以為他們提供幫助，這非常有幫助。
	繼續討論地理因素，我們也能夠打破一些古老的迷思。所以這些是
	在茶歇時間可能會發生的討論中，有人會說這個東西，NPN，肯定受到地理位置的影響。
	NPN 本身就很難解釋，所以我就用一品脫啤酒來打個比方，如果你願意的話，可以把它比作一品脫啤酒。其實我覺得它比較像玻璃杯。
	眾所周知，牛奶含有蛋白質、脂肪、乳糖、礦物質和維生素。這些都是有益的。
	而且，其中還有很多其他的東西，如果我們只看蛋白質整體，你可以認為整品脫都是我們從農民那裡獲得的牛奶中的蛋白質。
	但是蛋白質可以分解成真正的蛋白質，也就是飲料中的液體部分。
	而這部分正是我們在生產過程中真正需要用到的。啤酒的頂部，也就是這部分起泡的部分，是其他物質，如尿素、尿酸等等。
	雖然我們向供應商支付了所有蛋白質的費用，但不幸的是，我們不能在我們的過程中使用所有的蛋白質，所以我們只能使用這裡的這部分，真正的部分，或者像真正的蛋白質。
	因此，根據具體過程，如果一年中任何時候 NPN（非蛋白質氮）的含量較高或較低，
	那麼最好將該產品定向到特定網站
	現在我們在另一個地點，這樣我們就可以製定策略了。一直以來的問題都是，你知道，我敢打賭，在一年中的某個特定時間，地理位置會影響整個地區的非蛋白質氮含量。
	地理位置。你在這裡看到的數據來自 284,000 個數據點，也就是 284,000 個 NPN 測量值，
	非蛋白質氮，跨越一整年，分佈在愛爾蘭南部芒斯特的六個不同地區。
	這裡的線條代表了各個月份的平均值和平均值差異，也代表了各個地區從顏色角度來看不同的平均值。
	這裡的箱線圖代表了每個區域內部和區域之間存在的變化量，因此，您可以清楚地看到平均值遵循
	每個區域都能很好地協調一致，並且變化量隨時都會減少，
	假設這裡是七月份，所有地區的降雨量似乎都在減少，但蒂珀雷裡郡可能略有異常。
	但大多數情況下，當一個地區的差異增加時，所有地區的差異也會增加。
	所以，我們不再需要…不再需要討論各種可能性。我們能夠利用數據快速地驗證或推翻理論。
	每五年，我們都會向我們的混合供應商發送中線（？）普查數據，這有助於我們了解供應商在其農場中可能面臨的未來產量意圖和挑戰。
	它也從業務方向和投資角度顯示了我們會員的情緒。
	因此，最近我們向 2,800 家供應商分別發出了 100 多個問題，在這個例子中，我們提出的問題是：你們農場的生長限制因素是什麼？
	參與者有九個選項，也就是從一到九的因素。因此，他們被要求按重要性排序，也就是從一到九，這些因素呈現在他們面前。所以你可以想像，你會得到 2,800 個結果。
	來自每個供應商，但每個結果都有一到九分的分數，其中一些並不總是得分一到九分，他們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麼。
	所以問題是，如果你願意的話，你如何才能最好地將所有這些數據（這 25,000 個數據點）以一幅清晰的圖像呈現，以代表整個農業社區向 Dairygold 報告的數據。
	結果是……所以答案就是馬賽克圖。希望大家能在這裡清楚看到，48.8%的受訪者（包括我們的供應商）將因素4列為最重要的因素。
	限制農場擴張的因素。緊隨其後的是因素 5，其中 19% 的人認為這是最重要的因素，23% 的人認為
	第二個。從左到右，你可以看到對農民來說最重要的因素。
	所以顏色在這裡非常重要，我在這裡與團隊一起採用分層熱圖，同樣，對於一個非常不同的部分
	零售訂單。因此，在這種情況下，我們只查看週末按時段下達的訂單數量
	用於我們商店的飼料。這是2015年至2018年四個不同年份中，每週五、週六和週日的飼料資料。
	以及訂單發送的時間。現在農民可以透過應用程式發送訂單…或者
	他們可以打電話訂購。但你可以清楚地看到，星期五，也就是第一個
	擠奶的時候，有些酪農早上五點就出門了，說“好的，我需要更多飼料。我會在應用程式裡自動下單。”
	這種情況可能還會再次發生，大概在12點左右，這取決於牛群的擠奶時間等等。但這樣做的價值在於，我們可以
	了解週末接收訂單最繁忙的時間以及何時需要處理訂單，這可以讓我們了解
	如何在整個週末保持高效的人員配置水平，所以周日和周五安排相同數量的員工是沒有意義的。也許更多
	這段時間應該要集中精力…應該安排更多人手專注於週五甚至週六早上的訂單接收。這樣我們門市的人員配置效率會更高。
	再次強調，我們仍然堅持色彩主題，正如我們所知，還有花哨的分析，正如你所注意到的，我們很快就會到達那裡，
	但要遵循顏色的主題，您在這裡看到的是我們以圖形方式表示的一大床起司的輸出。
	我說的大，大概是25公尺長，2公尺寬。所以，此時凝乳中的乳清已經全部瀝乾，然後這層起司被壓扁，切成70條。
	然後將條帶切成五塊，然後我們所做的就是測量左側、中間和右側塊的高度。
	因此，我們要做的就是測量這張大塊起司床的高度。
	一旦我們能夠做到這一點，我們就可以很好地了解實際發生的情況，並使用顏色作為指導，以及了解起司床的寬度。
	因此，顯然紅色表示較高，綠色表示稍低，我們在這裡以毫米為單位進行測量，因此範圍是 120 毫米到 155 毫米。
	很明顯，你可以看到，從左上角開始，有一個小斜坡
	側面，左側的高度較高，左下方也是如此，床實際上正在掉下來。
	所以這對我們來說非常重要，因為從可變性的角度來看，我們試圖了解的是，是否存在不同......為什麼區塊之間存在差異......
	進入我們流程的區塊重量是多少？這基本上指向了其中一個原因。其中一個原因是，如果區塊的高度不同，
	那麼邏輯就會表明，如果起司被相同的力壓縮到相同的大小，那麼塊的重量也會不同。
	因此，人們可以透過圖片更容易理解這一點，特別是如果他們對業務的分析方面不太熟悉的話。
	我想，進一步深入分析一下，我們在整個業務中大量使用了統計流程控制，
	你知道，尋找機會，並驗證改進。我們在這裡關註二氧化碳的使用情況，我們在產品，特別是粉末中使用二氧化碳。
	當我們將粉末裝袋以延長產品的保質期時，這是該行業的標準做法。
	因此，我們在填充袋子時會排出所有空氣並添加二氧化碳，但您可以在這裡看到，然後我們密封袋子，但您可以在這裡看到，我們有很多變化，特別是在 2017 年。
	我們能夠控制這個過程，我們能夠確保在 2018 年生活會非常非常不同，
	我們的平均二氧化碳使用量顯著減少。我們仍然面臨一些挑戰，甚至可能出現了一些值得調查的模式，但是
	這種事情也有好處，因為只要…我們不僅能控制流程，還能用統計方法證明這一點，我們還能創造一些
	研究可以有效評估我們的粉末對二氧化碳的吸收率。
	所以，這真的很重要，因為如果我們能了解我們的產品是如何吸收二氧化碳的，那麼它會帶來其他好處，其中之一就是
	當脂肪吸收袋子裡的二氧化碳時，就會在密封的袋子裡形成真空，所以當它形成真空時
	袋子開始在粉末周圍密封，並使粉末袋變得更加堅固。
	因此，現在從供應鏈的角度來看，當我們將這些袋子堆放在托盤上進行運輸和裝運時，它降低了風險並使生活變得更加輕鬆。
	現在我們就像在堆砌混凝土塊，而不是堆疊柔軟蓬鬆、有彈性的枕頭。所以，這是雙贏的。我們有
	我絕對不是程式設計師，但我們確實聯繫過愛爾蘭用戶群組，並從他們那裡得到了很多幫助
	以及 JMP 社群...實際上，你知道嗎，我要特別指出英特爾的 Troy Hickey，他為愛爾蘭用戶組提供了非常有用的幫助。
	在 JMP 社區，當你在某個領域尋求幫助時，主動提出問題，這是一件非常棒的事情
	或者也許是一個你一無所知的領域，並且從你從未聽說過的人那裡得到回應，專家的回應也是非常出色的。
	因此，在這種情況下，我們能夠使用一些 JSL 來建立一些程式碼，並且能夠建立這個控製圖
	如果你喜歡，可以採用標籤格式。在本例中，脫脂奶粉、全脂奶粉、脫鹽乳清粉和酪蛋白用於測量蛋白質
	我們實驗室的測試。目前，我們正在監測大約30種不同的測試，並監測標準測試和濕化學測試之間的差異。
	每天都有變化，而且手動方法和近紅外線方法之間存在差異，因此自動化方法也存在差異。
	舉個例子，比如說，我們研究濕化學標準時，我們希望確保目標為零。我們不希望實驗室測試結果和實際結果有任何差異。
	標準說應該如此。所以我們想要的目標是零，這表明，在這種情況下，
	蛋白質，脫鹽乳清粉，我們稍微超出了；我們是.04，我們可以追蹤我們的過程概況，我們可以得到
	這個過程會向我們發出一個過程偏移的標記。所以九個數據……在本例中，至少有九個數據點連續高於平均值。
	然後，我們知道要停止這個過程，不再繼續下去，因為我們需要調查並採取一些措施來糾正...糾正問題，在這種情況下是流程轉變。
	所以這對我們來說非常有利，我們現在有了這個設置，它每天都在運行，儘管，
	你知道，成百上千，甚至在這個數據點上，腳本的設定使其只顯示最後 42 個數據點，也就是任何時間的最後一周的數據，即使控制限度設置為
	基於之前流程中的數據。所以，很高興能聯絡 JMP 社群。
	卡車到達時間納入業務範圍，在這種情況下，我們有 54,000 輛油罐車從午夜到午夜抵達四個不同的地點。
	這讓我們了解了現有的不同配送方式，從配送到現場的時間來看，這真的很有幫助。這對我們來說很重要，因為我們不想…我們不想讓油罐車直接開到現場。
	卸下牛奶，盡快離開現場。我們不想發生這樣的情況
	很多卡車會聚集在一起，在某個工地，你可能會遇到這種情況，一輛卡車一字排開，一輛卡車緊跟在後。我們希望整個過程都能順暢流暢。
	這裡，你可以看到，早上八點到九點，
	你知道，人們可能都去那裡吃早餐了。我們這裡的人流量更大，送貨到站點的貨量也不大，這裡也是一樣，晚上的人流量也更大。
	卡車被攔住了，或者開走了……司機去吃飯了等等。所以我們可以更深入地了解情況，並針對每個不同的網站進行處理。例如，在這個例子中是兩個站點，Clonmel Road 和 Castlefarm，
	這些站點彼此之間非常接近，因為通往北、南、東、西方向的道路，
	它看起來是什麼樣的？我們想要的數據分佈是否清晰？
	例如，有沒有一些貨運公司在24小時內沒有從東部地區出貨？我們可以了解發生了什麼，也可以獲得這些資訊。
	並且說，從泵浦的卸載率來看，因為在這種情況下，我們有兩個站點，有 11 個泵浦正在卸載
	每年在兩個地點生產超過五億公升。
	我們想嘗試了解哪些幫浦的效率更高或更低。我們可以清楚地看到，有四台泵浦的卸載率更高，
	所以它們能夠比其他一些吸乳器吸得更快，在同樣的時間內吸出更多的牛奶。你可以看到
	在2號站點，3號泵浦的效率最高，而整體而言，4號泵浦和3號泵浦的效率最低。因此，如果我們要進行維護檢修，我們就知道這些泵浦需要先進行檢修。
	我們使用 JMP 來評估卓越性和機會的測量系統，我們這樣做，你知道，
	很多時候，我甚至記不清了。這次，我研究的是正磷酸鹽（？），你知道，這是標準量規R&R，結果非常好。所以
	19 個不同類別；19 是優秀的，量規 R&R 是 0.5，所以小於 10 是理想的，它只是意味著你知道我們有非常好的
	始終可靠的測量系統。無論你把哪個部件交給任何分析師，他們都會給出相同的結果。
	因此，執行測試的人不會影響測試結果，而這正是您一直希望看到的。
	有時我們會有主觀的測量系統，我們也需要進行屬性一致性分析。
	因此，在這種情況下，我們正在查看包裝產品的視覺評估，您可以查看圓度或邊緣損壞或壓花等
	清晰度等等。改進之後，您可以看到，評估師之間的一致性達到了 90% 到 95%。
	總體而言，您可以看到，就匹配和同意的零件數量而言，一致率為 82%。
	在每個操作員內部和之間，但可能更重要的是有效性，即與標準的一致性。
	我們事後可以看到，現在符合標準的比率已經達到了96%，這真的很好。再說一次，即使評定結果帶有主觀性，我們也能確保我們的產品評級可靠。
	我們當然也可以設計實驗來量化各種因素的影響。在本例中，我們研究的是WPNI，即乳清蛋白氮指數，這是一個衡量指標。
	我們產品中的蛋白質變性，所以它顯示了產品經過的熱處理程度，而且可以，
	對不起，這真的很重要，因為熱處理水平會影響應用
	從客戶角度來看。假設熱處理程度不合適，這可能意味著客戶可能想用我們的產品做酸奶，
	那麼該產品就不適合，因為它可能會留下顆粒感、顆粒感的口感等等，所以這不適合優格這樣的產品。
	因此，我們遇到了乳清蛋白氮指數結果不一致的問題，並且在我們的程序中發現了一些模糊之處，
	因為它有多種解讀。所以它可能會說，你知道，搖動某物，
	搖晃這個小瓶，你知道，它可能只是說搖晃它，有人可能會說，是的，我搖晃它五秒鐘，其他人可能會說，我只是倒置了10次，還有人會說，是的，我用力搖晃30秒。
	因此，每個人都懷著最好的意圖遵循程序，但如果程序含糊不清，那麼就容易產生不同的解釋，也會導致不一致。
	因此，我們正在嘗試設計試驗來了解可能影響我們流程變化的因素。
	所以這裡我們知道氯化鈉溶液，也就是鹽水溶液，由有起始條和無起始條組成。
	在高溫下放置的時間為 45 或 60 分鐘，然後使用這裡的解決方案，以及這裡的小測試計劃，我們......水浴溫度為 37 和 40 度，這是這裡用顏色編碼的四種解決方案之一。
	然後我們有水浴搖晃間隔和我認為也是使用的鹽酸滴數。
	我們再次使用互動式瀏覽器來查看當 WPNI 結果較低時，該過程發生了什麼。
	更難理解這裡發生的事情，所以顯然我們需要更進一步，開始建立一些模型並了解正在發生的事情。
	就我們所討論的強度而言，這些模型相當不錯，R 平方僅為 68% 左右。
	我們可以直接看到，這裡的主要影響，最大的影響是水浴溫度，其次是攪拌棒持續時間和加熱板相互作用的影響。
	我們也可以看到效果，哪個參數在拉動...哪個效果在拉動
	這個過程也朝著哪個方向發展。底部還有一個很有價值的預測分析器。我們可以探索一下到底發生了什麼事。
	我喜歡的是，你可以使用輸出，有時，嗯，我有時會使用一些這些實驗的輸出來...從教育的角度來看。
	我之前說過，攪拌棒和加熱時間是一個重要因素，這是一種相互作用的效應，也就是說，一個因素的影響取決於另一個因素的水平設定。
	但你可以嘗試向頁面上的某人解釋互動效果；我們有交叉線，交叉線意味著
	強相互作用，如果線是平行的，但看起來要交叉，那就是小相互作用。或者你可以把數據畫出來，
	在這種情況下，很多人實際上並沒有看到兩個因素之間的相互作用是什麼樣的，這就是相互作用……相互作用的樣子，它可以用作…
	也可以作為一種教育工具。所以，在我們的例子中，WPNI 的結果在 y 軸上，抱歉，是的，在 y 軸上，
	在加熱板上的持續時間為 45 分鐘和 60 分鐘，所以如果我們堅持 45 分鐘，我們沒有攪拌棒，如果我們切換...我們保持 45 分鐘，然後切換到攪拌棒，我們可以看到我們從這個水平跳到了這個水平。
	而當我們以60分鐘計算時…WPNI水平就在這裡，沒有攪拌棒，我們跳到攪拌棒，我們可以看到它跳下來。所以
	這裡的跳躍不如這裡的那麼多，但這立即表明影響攪拌棒和加熱板持續時間的相互作用相當大。
	這就是它的意義所在，再次強調，它需要大量的流程知識和理解。我們也可以使用一些分類工具，例如決策樹來嘗試理解。
	這是來自研發部門關於起司褐變的詢問，正如它聽起來的那樣，它與起司的褐變有關
	在烤箱裡加熱的時候，例如披薩，加熱的時候會有點熱。所以我們不希望奶酪燒焦太快，例如披薩上的切達奶酪，你肯定不希望它燒焦太快。
	你希望它有活力，並且有烹飪的食譜。所以，這是一個分類的例子，抱歉，是決策樹，我們來看看
	如果你喜歡，可以用樹代表的三種不同層次的淺色、中色和深色的褐色，顏色是綠色，
	分別為琥珀色和紅色。我們可以看到，跑步時的pH值是這裡最重要的因素，特別是如果跑步時的pH值大於6.48，
	那我們可以看到，99.3% 的加工過程都會出現淺棕色，這正是我們想要的。綠色代表好，紅色代表不好。同樣，我們知道，如果 pH 值低於 6.48，我們就有風險，而且…
	我們取樣，所以我們的起司塊，也就是 20 公斤的起司塊，是從一個角落取的，然後我們知道我們有 31% 的機會得到
	變成深褐色，所以不太好。所以從這個角度來看，我們可以看到
	物件數量的計數也會導致這種情況，就樹上的葉節點終止而言也是如此。因此，你可以得到
	很好地了解您的流程中發生的情況，以及最能區分的重要因素，在本例中就是褐變分類。
	我在這裡說的是隱蔽引導森林，因為您知道我認為這是 JMP 中未充分利用的工具......如果您了解決策樹的作用和工作原理，您就會明白它是一種非常強大的工具。
	說實話，我不確定決策樹使用的演算法，無論是迭代二分法還是
	C 4.5 或 5.0 或任何其他版本，但我知道的是，預測篩選在後台利用決策樹演算法並使用引導森林，這是
	也使用放回抽樣法，創建一堆這樣的樹，然後把它們黏在一起，然後給出這些樹的平均結果（如果你願意的話）。所以在這個例子中，指出，這是來自
	前面的平行圖範例針對 30 個不同的機器參數，在這種情況下，你會注意到實際上有 31 個，
	因為當我回到團隊時，我說這個噴嘴氣壓有些不同，它似乎是一個重要因素，預測篩選告訴了我這一點。
	房間後面有人舉起了手，他們說，
	在所有參數中，這可能不應該在那裡，因為它不是真正的機器參數，我們只是把它粘在裡面，看看是否有任何東西會跳出來。
	果然，這是最引人注目的一個，所以必須將其取出並單獨評估。
	就演示而言，我也差不多完成了，所以就他們而言
	使用模型來預測未來的表現，這就是我們從洞察力轉向遠見的地方。
	在這裡，我們根據 1,438 個觀測資料創建了一個相當強大的模型，模型有效性達到 76%。
	問題是，我們能否開發一個工具來幫助我們預測一年中任何一周、任何一天的訂單數量，以及
	還可以預測我們會收到的訂單數量...抱歉，還可以預測我們當天會收到的訂單數量嗎？
	因此，我們能夠獲取所有歷史數據，並使用預測分析器從季節性角度選擇哪一年最適合您要預測的情況。
	然後轉到適用的月份、您想要的任何日期和星期幾，然後確定是否是銀行假日。
	你可以看到，我在這裡設定了兩種不同的設定。一種是銀行休假時使用的，一種是沒有銀行休假時使用的。你可以看到，
	這裡也存在著銀行假日和星期幾之間的相互作用。因此，我們可以回到商業話題上
	無論是哪一天，2019 年 10 月 26 日是星期四，而不是銀行假日週末，預計會收到 120 份訂單，這也相當於將近 1,100 公噸的產品進來。
	我們實際上在兩個週末進行了這項測試，一個週末是銀行休假，一個週末是非銀行休假，實際成功率達到了 85%，這已經很不錯了。所以，即使模型的準確率是 76%，但實際結果也相當不錯。
	然後從洞察力到預見力，我們再次審視…試圖解釋季節的可變化性，
	這裡用不同的顏色代表不同的年份，例如2015、16、17、18等等。我們正在查看一些數字…一些飼料訂單數量
	業務。每個點代表每週的訂單量，我在這裡做的有點過頭了，我疊加了實際的預測模型，這樣預測的值
	每週都這樣。你可以看到模型的準確度與實際值，也就是實際值與預測值的比較。
	然後能夠使用，說實話我記不清了……它要么是季節性指數預測，要么是我們的季節性 ARIMA，
	季節性???指標移動平均線來決定未來六個月的情況。
	這對於我們面臨季節性挑戰的業務來說非常有價值，我們可以使用這些工具，高度自信地了解未來業務的訂單水準。
	最後，我想這對我們來說有點牽強，因為我們之前從未深入研究過神經網路。所以，在這種情況下，使用神經網路作為試驗，看看我們是否能在製程過程中對沉積物進行分級。如果我們有ADPI結果，那麼這是
	沉積物墊，我們看到了大量可能燒焦的顆粒，可能是乾燥過程之類的原因造成的。現在處於什麼位置？是A級、B級、C級還是D級？
	這裡的篩分結果表示篩子中留下的顆粒數量，而滾筒結果 T1B1 表示頂部和底部。
	T1 表示可能漂浮在水面上的顆粒數量，B 表示底部的顆粒數量，即沉到水底的沉積物。
	再次在神經網路中使用它，並進行 K 折交叉驗證，所以我認為 K 設定為 10。我們有九個
	我認為這裡也用到了激活函數。是的，雙曲函數……線性函數、高斯函數，還有雙曲正切函數。
	我們可以使用每一個
	入口節點也輸入到我們的激活函數中，然後我們這裡還有輸出層，它給出了最終的結果。所以我們可以使用，
	在這種情況下，6,245 個結果
	訓練我們的模型，然後，一旦我們也用交叉驗證進行了驗證，我們就可以在這裡創建混淆矩陣，這也相當不錯。我的意思是，我們在 A1/A2 中沒有那麼多值
	降到 B 級，就像我們對 A1 所做的那樣，但它在某種程度上向我們表明，你知道，如果我們有一個 A2 級
	我們預測其中 35 個是真正的 2，只有 2 個是 A1。所以可能會有一些誤差，而這些誤差可能來自於模型本身，
	你知道，最初是由評分員創建的，他們手動嘗試評估每個評分中存在的差異，如果
	結果中會出現一些模糊之處，然後試著做出最終判斷。所以我認為這裡的問題是，我們能否讓機器以較高的準確率預測最終結果？
	再次，我們預計，如果翻轉測試結果為 T1B1，獲得 A1 等級的機率會相當高，幾乎沒有浮動或下沉
	如果篩分結果在顆粒數量方面也相當低，那麼我們預期 A1 的結果會在這裡。
	事實上，我們在這裡看到 A1 可能表明模型訓練並不像它應該的那樣有效，並且模型中可能存在一些錯誤。
	再次，你可以看到這裡創建了一個非常複雜的模型
	對此，但你知道，這有點像黑盒子，我想從神經網路的角度來看，大家都知道這一點。但我想，隨著我們開始向整個機器學習領域和人工智慧邁進，我們需要大量的流程知識和概念驗證。
	我知道我向很多人開火，而且相當倉促，我可能會就整個事情講上幾個小時，並道歉……如果感覺很倉促，我深表歉意，但我只是從總結性想法的角度來說，
	我認為已經證明，無論你身處哪個行業，即使是農業行業，這與典型的數據分析環境相去甚遠，在任何行業，你都可以使用
	數據分析可以為業務增加顯著的價值，並且您可以接觸並幫助幾乎業務的每個部分。
	另外，我想說，不要低估簡單圖形分析的價值。在演示進行到一半時，我們才開始介紹JMP中嵌入的一些更強大的分析功能，以及
	我認為知道如何使用所有花哨的工具是很好的，並且有使用的時間和地點，但是，你知道，簡單也可以非常強大，不要低估它的價值。
	除此之外，我要感謝大家的聆聽。我非常感激。如果你們有任何問題或意見，歡迎隨時提出。謝謝。

進階統計建模基礎資料分析與建模數據探索與視覺化預測模型和機器學習品質與工藝工程