你好， 每個人。 這 是 阿努德普 馬里皮。
我是 a 進階的 過程 工程師 為了 光學 光刻 在 魔法飛躍。
今天， 我是 去 到 證明
過失 偵測 經過 升級 控制 圖表
和 改變 觀點 偵測 在 跳轉，
和 展示 你 如何 這 改變 觀點 偵測 一體化
和 控制 圖表
是 高度 有用 在 我們的 製造業 店鋪 地面。
患病的 開始 這 推介會
和 a 簡短的 介紹 關於 我們的 公司， Magic Leap，
和 這 光學 製造業，
這 二甲基異氰酸酯 問題- 解決 方法
和 這 跳轉 工具 那 我們 使用 在 這 製造業，
我們的 挑戰 那 我們 臉 在 這 控制 階段 的 DMAIC，
升級 現存的 控制 圖表 和 改變 觀點，
和 經過 正在做 所以， 偵測 和 診斷 這 故障 在 a 過程
一些 案件 研究 那 我們 常 使用 在 Magic Leap 和 a 跳轉 示範
在 如何 到 創造 a 改變 觀點 儀表板
和 整合 改變 觀點 進入 你的 控制 圖表，
和 很少 外賣。
到 開始 和， 在 Magic Leap，
我們 設想 a 世界 和 身體的 和 數位的 是其中之一。
我們的 使命 是 到 放大 人類 潛在的
經過 交付 a 最多 沉浸式 AR穿戴裝置 平台，
所以 人們 能 直覺地 看， 聽到，
和 觸碰 數位的 內容 在 這 身體的 世界。
我們的穿戴式裝置 裝置 變換 企業 生產力
經過 提供 和 解決方案。
為了 例子， 合作 和 共同 在場
之間 偏僻的 團隊 到 工作 一起 作為 如果 他們 是 在 這 相同的 房間，
3D 視覺化 到 最佳化 流程，
增強 勞動力 那 幫助 火車 和 提陞技能 勞工
使用 看- 什麼- 我- 看 能力。
這些 是 僅有的 a 很少 例子。
這 裝置 有 行業的 領導 光學 和 大的 場地 的 看法，
最好的 影像 品質,
高的 顏色 均勻性，
和 動態的 調光
哪個 幫助 展示 a 高的- 品質 虛擬的 內容
在 我們的 真實的 世界。
這 光學的 鏡片 那 是 用過的 在 這 裝置
是 a 小的 成分
但 a 非常 批判的 成分 的 魔法 飛躍 2、
啟用 最好的- 在- 班級 影像 表現。
這 光學的 鏡片 去 透過 二十五 加 複雜的
製造業 過程 和 計量學 車站
期間 這 製造業。
它 是 經過測試 超過 100 加 批判的- 到- 品質 參數。
每個 個人 過程 需求 到 抵達 高的 99% 屈服 目標
到 達到 90% 捲起 吞吐量 屈服 目標。
我們 不能 達到 這些 高的 報酬率 和 過程 能力
沒有 這 幫助 的 跳轉 統計 工具。
一 的 這些 高的- 屈服 流程 是 印記 光刻
在哪裡 我' m 負責任的 為了 品質 和 送貨 工具。
這 過程 有 許多 步驟，
和 那 是 視覺化 在 這 正確的- 手 邊 的 你的…
第一個 步 是 在哪裡 我們 對齊 這 面具 到 這 範本
和 然後 分配 r 抵抗，
降低 這 範本 和 EUV 治癒 到 複製 這 精確的 圖案
從 這 面具 範本 到 這 晶圓。
這 印記 過程 獨自的 有 22 批判的- 到- 品質 參數
那 營運 之間 緊的 控制 限制 這樣的 作為 只是 20 奈米 電影 厚度
和 100 微米 降低 準確性。
作為 你 可以 看， 這些 公差 是 極為 小的。
為了 參考， 人類 頭髮 是 只是 20 微米 到 100 微米。
因此， 這 印記 光刻 需要 a 精確 放置 和 結盟
那 是 難以區分 到 這 人類 眼睛。
意義 我們 依靠 a 很多 之上 船上 計量學 和 想像 系統
那 產生 噸 的 數據 從 大的 數位 的 輸入 參數。
跳轉 幫助 我們 到 容易地 分析 這些 大的 數據 套
在 我們的 問題- 解決 流程。
我們 使用 二甲基異氰酸酯 方法 在 我們的 問題- 解決 過程。
下列的 是 這 跳轉 工具
那 我們 使用 在 每一個 階段 的 我們的 DMAIC 處理器， 分別。
喜歡 許多 製造業 團隊，
我們 成立 出去 控制 階段 作為 最多 具有挑戰性的 和 被忽視 階段，
因為 在 a 開始 向上 喜歡 魔法 飛躍， 我們 連續地 發展， 製作 改進，
和 迭代 一些 新的 設計 和 修訂。
這 控制 階段 是 被忽視
因為 它 需要 更長 時間 為了 這 確認。
為了 例子，
我們 尋找 a 問題 或者 一個 問題， 說 喜歡 過程 超過 控制 限制
和 給予 低的 每次點擊費用 價值觀，
導致 在 低的 每次點擊費用 期間 我們的 控制 階段。
我們 定義 這 問題，
我們 措施 這 歷史 數據，
分析 這 問題
經過 多變數 方法 和 相關性 矩陣，
提升 這 問題 經過 實施 這 矯正 行動，
經過 進行 做 和 回覆 篩選。
但 一次 這 是 已解決，
我們 移動 在 到 我們的 下一個 劇烈 問題 和 移動 在 到 嚴重程度 3 問題
一次 你 解決 這 嚴重性，嚴重性 2 問題，
和 這 循環 繼續，
俯瞰 這 最多 重要的 階段 的 DMAIC，
哪個 是 這 控制 階段。
這 曾是 這 原因 我們 來了 向上 和 這 改變 觀點 偵測 儀表板，
哪個 是 快速地 和 高效的。
它 精確定位 問題 快點， 更輕鬆 到 視覺化 故障 和 變更。
甚至 運算符 世界衛生組織 是 不是 精通 和 這 統計數據
能 使用 這 儀表板 到 診斷 這 問題。
為了 例子， 前 介紹 這 改變 觀點 儀表板
在 我們的 製造業 店鋪 地面，
這 升級 進步 是 喜歡 這 左邊 側身，
在哪裡 這 操作員 監視器 這 屈服 儀表板
和 識別 這 屈服 損失 和 故障。
操作員 報告 到 技術員 到 看 進入 這 故障。
如果 技術員 無法 到 解決 升級 這 工程師，
工程師 分析 這 控制 圖表 數據 使用 控制 圖表 警報 和 趨勢，
和 然後 手動 加入 這些 輸出 到 輸入 和 做 這 相關性
和 尋找 出去 和 診斷 這 過錯。
和 然後 工程師 工具 這 矯正 動作。
但 後 介紹 我們的 改變 觀點 儀表板
在 這 製造業 地面，
這 操作員， 技術員， 和 工程師
監視器 這 改變 觀點 儀表板 在 這 店鋪 地面。
如果 改變 是 成立，
他們 看 進入 相關性 的 輸入 前 這 改變 和 後 這 改變
和 容易地 診斷 這 問題，
和 然後 容易地 提升 這 矯正 動作。
這 幫助 我們 容易地 到 過渡 進入 我們的 可信任平台模組 模型，
在哪裡 運營商， 技術人員 和 工程師
是 全部 未來 一起 到 最小化 這 故障。
這 改變 觀點 儀表板 使 我們的 控制 階段 非常 高效的。
我是 去 到 證明 在 這 下列的 幻燈片
在 如何 這 是 高效率的
作為 出色地 作為 如何 到 製作 這 改變 觀點 儀表板。
前 顯示 這 改變 觀點 儀表板，
I 想 到 展示 你 我們的 旅行 從 傳統的 控制 圖表 監控
到 改變 觀點 偵測 儀表板。
儘管 這 傳統的 控制 圖表 是 非常 有幫助的 到 監視器 短途旅行
在 我們的 過程 使用 韋斯特加德 規則，
他們 展示 這 即時 出去 的 控制 點，
但 他們 常 錯過 這 微妙的 漂移 在 這 過程，
哪個 是 非常 漸進的 但 仍然 重要的。
這些 控制 圖表 是 非常 有幫助的 到 監視器 這 時間 基於
和 也 給 我們 什麼 部分 是 受到影響 經過 這。
但 作為 I 提及 前，
我們 有 22 批判的 參數 在 這 過程 獨自的
和 那裡 是 噸 的 輸入 參數
那 影響 這些 22 批判的 參數，
哪個 方法 我們 需要 到 有 許多 控制 圖表 監控，
在 這 相同的 時間， 到 有 a 穩定的 過程。
但 然後 我們 移動 在 到 模型- 驅動 多 各種各樣的 控制 圖表。
這些 控制 圖表， 我們 監視器 兩個都 輸入 和 輸出 一起，
和 我們 立即地 得到 a 相關性 之間 他們。
但 很遺憾， 這些 沒有 有 任何 時間 系列 或者 連接埠 ID
到 幫助 和 部署 這 在 這 製造業 店鋪 地面。
這 多變數 相關性 是 非常 重要的 為了 我們，
給予 這 關係
之間 我們的 輸出 和 輸入 在 這 過程。
和 這 再次 沒有 有 這 時間 系列 數據
喜歡 這 控制 圖表 到 確認 什麼時候 這 問題 有 開始了。
這 改變 觀點 檢測， 然而 我們 成立 非常 有幫助的
到 容易地 探測 什麼時候 那 過失 或者 改變
或者 重要的 突然 漂移 發生了 在 我們的 過程。
但 它 僅有的 給出 a 價值 什麼時候 a 改變 觀點 發生了，
它 沒有 有 這 時間 系列 和 不是 非常 有價值的
作為 a 監控 工具 在 我們的 製造業 店鋪 地面。
每個 一 有 它是 自己的 缺點 和 優點。
我們 結合 全部 的 這些 控制 圖表 進入 一 儀表板
和 利用 這 控制 觀點 偵測 函數 價值觀 進入 這些。
我們的 下一個 邏輯 步 是 回歸 哪個 是 原因 和 影響 分析。
尋找 出去 這 原因 和 影響 和 聯鎖 這 工具 輸入，
停止 這 失敗 在 你的 關鍵品質因子 批判的- 到- 品質 參數
或者 在 你的 輸出
和 也 移動 到 預言 分析。
這 是 一 例子 到 展示 你 如何 這 控制 圖表 看起來 不同的
什麼時候 你 整合 這 改變 觀點 檢測。
為了 例子， 在 這 左邊， I 有 a 控制 圖表
沒有 這 改變 觀點 檢測。
你 能 看 那裡 是 很少 UPS 和 起伏 之間 這 控制 限制。
但 什麼時候 I 拿 這 價值 的 256，
哪個 這 改變 觀點 偵測 給出 你 什麼時候 你 跑步 為了 這 相同的 數據，
和 拿 這 和 整合 進入 這 相同的 控制 圖表，
你 可以 看 這 視覺化 得到 更好的。
在 這 案件， 前 這 改變 觀點， 你 有 a 示範 的 變化，
你 有 a 基線，
你 有 這 意思是 是 以下 你的 目標 線，
和 後 這 改變 觀點， 你的 意思是 是 多於 這 目標 線 現在
和 你的 變化 有 減少。
在 這 方式， 你 可以 容易地 尋找 出去 和 視覺化
什麼 是 這 改變 在 你的 現存的 控制 圖表。
一次 我們 成立 出去 如何 有價值的 這 改變 觀點 是，
迅速地 告訴 我們 在哪裡 這 改變 發生了
或者 在哪裡 這 過失 發生了 在 你的 過程。
我們 開始 使用 一些 使用 案例。
我們 開始 和 一些 使用 案例 這樣的 作為 這
在哪裡 我們 介紹 a 改變 和 我們 想 到 證實 這 改變。
在 這 例子， 我們 有 a 過程 在哪裡 它 是 給予 低的 鉀通道 價值
因為 的 這 人口 是 大多 分散式 向 你的 積極的 邊。
我們 已識別 它作為 a 意思是 轉移。
它 需求 到 意思是 轉移， 和 我們 介紹 這 已知 改變 意思是 轉移。
什麼時候 我們 介紹 這 均值漂移，
你 可以 看 這 過程 成為 更多的 有能力的，
關於 2.3 或者 1.5.
你 可以 看 什麼時候 我們 部署 這 改變 觀點 偵測 功能
為了 這 相同的 數據，
這 改變 觀點 給出 你 價值 和 這 方向
無論 你的 改變 有 採取 地方 或者 不是 在 你的 過程。
這 是 高度 視覺的 為了 我們
到 評價 無論 我的 已知 改變， 哪個 I 只是 介紹，
是 影響 我的 過程， 這 積極的 或負面。
這 第二 使用 案件， 作為 I 提及，
我們 有 很多 的 船上 計量學 工具 在 我們的 過程，
哪個 是 給予 a 很多 的 數據。
我們 做 期刊 測量 和 測試 在 這些 計量學 工具，
但 我們 總是 依靠 之上
這 重複性 和 可重複性 數據，
哪個 是 加塞 休息和放鬆 數據
從 這些 圖表。
但 這 氣體回收與再利用 數據 是 不是 發現 我們任何 故障 在 這 過程
或者 什麼時候 這 計量學家 工具 開始 漂流
在 任何一個 積極的 或者 消極的。
但 為了 這 相同的 數據，
什麼時候 我們 部署 這 改變 觀點 功能，
它 立即地 告訴 我們 什麼時候 這 微妙的 變化
和 突然 重要的 漂移 發生了 在 這 計量學， 也。
那 是 非常 高的 或者 高度 有幫助的 數據 到 確認
和 製作 當然 我們的 計量學家 工具 是 仍然 穩定的 和 不是 漂流 這 數據。
這 第三 和 最多 重要的 一
是 到 探測 和 診斷 這 故障 輕鬆。
這 是 a 儀表板 那 我們 工作 在 到 部署 在 我們的 製造業 店鋪 地面。
我們的 工作流程 會 是， 我們 監視器 多種的 回覆 參數
或者 批判的- 到- 品質 參數 作為 輸出，
和 然後 我們 確認 如果 那裡 是 任何 變化
使用 這 改變 觀點 儀表板。
在 這 相同的 時間，
我們 也 看 進入 模型- 驅動 多變數 改變 觀點 儀表板
在哪裡 它 將要 告訴 我們 什麼 是 這 短途旅行
和 容易地 相關 那 短途旅行 到 這 輸入 參數。
但 這 真的 價值 來了 在
什麼時候 我們 拿 這 改變 觀點 價值觀
和 整合 他們 進入 我們的 現存的 控制 圖表。
在 這 例子， 我們 有 a 基線 數據 前 這 改變 和 後 這 改變，
哪個 方法 什麼時候 這 過失 發生了， 你 可以 看 那裡 是 a 輕微 意思是 轉移
和 有 a 巨大的 變化 在 我們的 過程。
在 這 觀點， 我們 去 到 我們的 相關性 矩陣。
它 是 關聯 我們的 輸出 參數 到 我們的 輸入 參數 在 這 過程。
這 相關性 矩陣 將要 立即地 告訴 你
哪個 因素 有 a 強的 積極的 或者 a 消極的 相關性
期間 這 階段 什麼時候 比較的 到 期間 你的 普通的 階段。
那 將要 立即地 告訴 你 什麼 輸入 範圍 有 走了 錯誤的
或者 那 可能 有 貢獻 a 很多 到 這個錯誤 區域。
那 是 如何 我們 是 有能力的 到 迅速地 尋找 這 故障 和 診斷 這 問題。
從 這裡 在， 我是 去 到 證明 在 跳轉
在 如何 到 創造 這些 種類 的 儀表板，
在 這 相同的 時間， 如何 到 創造 多種的 改變 點。
作為 你 可以 看 在 我們的 以前的 幻燈片，
這 改變 觀點 功能 是 給予 僅有的 一 價值。
讓 我 轉動 在 到 跳轉。
在 這 例子， 我是 使用 波士頓住房 數據 哪個 是 從 1978年。
這 是 一 好的 例子 作為 a 初學者 學習者
為了 相關性 和 回歸。
許多 教學 使用 這 例子。
所以 I 想法 I 可以 使用 這 例子 哪個 是 容易 可用的。
每個人的 跳轉 樣本 數據 套 和 看 如何 這 相關性 是，
和 如果 那裡 是 任何 多種的 改變 點 在 這 數據，
在 這 相同的 時間， 相關 到 這 實踐。
這 樣本 數據 桌子 看起來 喜歡 這。
在 我們的 案件，
I 想 到 看 這 中位數 市場 價值 或者 中位數 價格
的 這 自住 房屋 在 波士頓 和 看 如何 它 是 變化 和 時間。
在 這 相同的 時間， 那裡 是 相應的 因素
喜歡 什麼 是 這 犯罪 速度 在 這 鎮 或者 什麼是 這 污染 速度 在 這 鎮
或者 這 年齡 的 其他 因素 這樣的 作為 年齡 的 這 房屋
或者 迪斯 舞會 在 這些 地區。
你 能 讀 這 數據 關於 這些 柱子 名字
在 這 柱子 筆記 那 是 呈現 超過 這裡。
我是 去 到 跑步 這 腳本 哪個 給出 我們…
前 跑步 這 腳本， I 也 想 到 告訴 你
那 我是 附加 這 全部的 腳本 作為 部分 的 我的 推介會，
在哪裡 你 可以 去 透過 這 腳本 或者 跑步 這 腳本
和 它 將要 給 你 a 好的 儀表板 關於 波士頓住房 價值觀 變化
和 也 a 相關性。
你 可以 下載 這 腳本 和 看 進入 我的 分數
和 你 可以 使用 這 相同的 方法論 和 這 邏輯
在 如何 我是 有能力的 到 探測 多種的 改變 點
從 這 儀表板 使用 這 JS 下標。
什麼時候 I 跑步 這 腳本，
運行 和 I 得到 a 好的 儀表板 喜歡 這。
作為 I 提及，
我們的 問題- 解決 框架 會 是 喜歡 看 在 這 改變 點
在 我們的 中位數 價值 的 這 房屋 在 波士頓。
你 可以 看 它 給了 我們 這 中位數 價值 那 那裡 是 a 大的 改變 這裡
和 它 告訴 你 這 改變 觀點 出現 到 是 在 排 373，
和 也 那裡 是 一些 第二個 小的 改變。
什麼時候 你 看 在 這 模型- 驅動 控制 圖表 數據，
你 可以 看 那裡 是 高的 短途旅行
在 這 中等的 價值 的 這 住房 市場。
你 可以 容易地 告訴 什麼 造成 這 短途旅行
經過 尋找 進入 你的 輸入 範圍， 那 是 犯罪 速度。
你 可以 徘徊 在 任何 的 這些 和 尋找 出去 什麼 是 影響
這些 巨大的 短途旅行
在 你的 監控 多變的， 哪個 是 中位數 價值 的 這 房屋。
作為 I 提及， 這 真實的 價值 來 出去 什麼時候 我們 拿 這些
和 整合 進入 我們的 控制 圖表。
看 這 一， 這 控制 圖表 將要 給 你
這些 融合的 改變 點 從 這裡。
出色地 給 你 a 好的 視覺的。
你可以看到 現在 在 波士頓住房 市場 例子，
我們 有 a 基線 住房 中位數 價值 變化，
a 基線 價值 在 20 百萬。
和 然後 什麼時候 這 住房 繁榮 發生了， 或者 什麼時候 這 改變 觀點 1 發生了，
你 可以 看 那裡 是 a 好的 數量 的 變化 在 這 住房 市場。
在 這 相同的 時間， 那裡 是 a 意思是 轉移， 也。
但 很快， 那裡 是 其他 改變 發生 和 這 住房 市場 碰撞
導致 在 你的 中位數 價值 是 以下 你的 基線。
這 是 容易地 告訴 我們， 給予 我們 a 視覺的 進入 部分
在哪裡 什麼 是 這 基線 數據， 什麼時候 這 第一的 改變 發生了，
什麼是和 如何 很多 是 這 改變？
這 第二 改變 發生 和 如何 很多 是 這 改變 現在。
你 能 比較 和 你的 以前的 二 變更。
如果 你 作為 a 前景 給購屋者 在 波士頓
和 你是 尋找 進入 這 種類 的 數據，
你 想 到 知道 什麼 可能 有 發生了 那 有 受到影響 這些 種類 的 變更。
在 你的 數據 放， 你 有 一些 好的 因素
關於 這 犯罪 區，
這 犯罪 速度 在 那 相同的 區域 在 這 相同的 時期 的 時間，
和 這 污染 利率， 等等。
如果 你 看 在 我們的 前 改變
你 可以 看 這 市場 價值， 如何 它 是 關聯 和 你的 因素。
在 這 案件， 你 能 看 有 a 好的 數量 的 消極的 相關性
和 這 犯罪
和 這 消極的 相關性 和 這 產業 區域 和 也 污染。
和 那裡 是 a 強的 積極的 相關性 哪個 是 關於 0.8 和 這 階段。
現在， 看 在 這 第二 改變 觀點 1 階段
在哪裡 這 住房 繁榮 發生 [聽不清楚 00:22:46] 均值偏移 向上。
你 可以 看 在 這 時間 框架
你的 犯罪 速度 是 低的 或者 不 相關性 和 這些 變更。
你的 污染 是 低的 再次，
但 你的 房間 仍然 相同的 強的 積極的 相關性 在 這些 二 階段。
如果 你 問 我 什麼 會 有 發生了 這 時間，
I 會 說 或許 這 犯罪 有 增加 在 這 區域
或者 這 污染 有 增加 在 這 區域，
這樣的 種類 的 主導的 因素 那 是 可見的 ,
那 是 不是 有利 為了 a 預期 家。
那是 去 在 到 這 住房 碰撞 什麼時候 它 發生了。
比較 之間 這 階段 到了這個階段，
變點 查看 如何 這 相關性 只是 變更。
你 能 立即地 告訴， 「好的， 我的 比較
和 這 中位數 市場 價值 從 這 階段，
我的 相關性 和 這 客戶 是 漂亮的 低的，
我的 房間 有 非常 積極的 相關性，
和 那裡 是 狀態統計 和 其他 因素。 」
但 如果 你 來 到 這 改變 要點 2 時間，
你 可以 看 這 犯罪 速度 有 增加 再次，
你的 污染 有 增加 再次，
哪個 導致 在 這 消極的 線性 相關性 的 這 改變。
什麼時候 你 看 在 你的 房間，
哪個 有 到過 積極地 貢獻 為了 你的 改變 有 下跌 向下 完全地。
在 這 方式， 這 是 告訴 你 a 很多 的 資訊 數據 關於 這些 變化
那 發生 在 1978年。
也, 簡單的 相關關係 數據 和 你的 因素
那 可能 有 受到影響 這些 變更。
患病的 重複。
我們的 框架 是 檢測， 為了 任何 時間 系列 數據，
我們 第一的 探測 數位 的 變化，
如果 它 是 一 改變 或者 二 改變 或者 更多的 變化，
和 然後 整合 這些 改變 點
進入 我們的 控制 圖表 到 得到 a 更好的 視覺化 關於 這 變更。
是 它 a 意思是 轉移 或者 變異轉變， 或者 什麼 是 發生了嗎？
和 然後 看 進入 你的 因素 那 可能 有 貢獻 到 這些 變化
和 看 什麼 因素 a 強的 貢獻 為了 這 改變
或者 虛弱的 貢獻 或者 不 貢獻 或者 消極的 貢獻。
現在 那 你 知道 這 犯罪 速度， 你的 市場 價值
-這 中位數 市場 價值 是 受到影響 經過 這 犯罪 速度，
污染， 和 這 房間——
讓我們 看 在 a 簡單的 可視化。
什麼時候 你 去 這裡， 你 能 看 這 是 a 簡單的 圖形 陰謀。
我是 服用 我的 改變 觀點 和 視覺化 它 在 a 更好的 方式。
我是 比較 我的 中位數 價值
和 這 氮氧化物， 這 污染 價值 在 這 相同的 城鎮，
在 這 相同的 時間 時期 和 這 房間 和 這 犯罪 速度。
你 可以 看 什麼時候 我的 住房 中位數 市場 價值觀 增加
或者 這 住房 蓬勃發展 階段，
你 可以 看 這 污染 是 非常 低的 和 這 房間 為了 住宅 有 增加
和 你的 犯罪 速度 是 在 至少 可能的 狀態。
作為 a 預期 購屋者，
這些 是 全部 有利 因素 為了 我，
不 污染 區域， 不 犯罪 區域或 安全的 區域，
和 然後 我是 得到 a 大 家 與 方便的 數位 的 房間。
但 讓我們 看， 在 這 階段， 什麼時候 這 住房 市場 墜毀，
在 這 相同的 時間， 你的 污染 速度 有 增加。
這 數位 的 房間 為了 住宅 有 下降。
和 然後 有 一個 天文數字地 高的 犯罪 速度
哪個 是 影響 這 相同的 事物。
這 是 a 清除 視覺的，
但 你 登陸 向上 在 這 問題 或者 和 這 種類 的 結論
和 這 幫助 的 你的 相關性 矩陣。
相關性 矩陣 和 然後 a 改變 觀點。
你的 相關性 矩陣 和 然後 這 改變 觀點
和 然後 a 更好的 解決 喜歡 這。
讓 我 去 和 展示 你
如何 這 JSL 腳本 是 池化 多種的 改變 點。
你 可以 尋找 這 改變 觀點 數據
在 你的 控制 圖表， 多變數 控制 圖表。
和 再次， 這 是 a 多 各種各樣的 控制 圖表。
你 可以 使用 作為 許多 作為 變數
作為 你的 多變數 控制 圖表 輸入 參數。
但 在 我的 案件， 我是 使用 中位數 市場 價值，
和 I 得到 a 多變數 相關性 和 a 改變 觀點。
清楚地， 看， 它 給出 我 373 作為 a 數字。
如何 I 是 服用 或者 提取 這 373 數位
是 使用 這 種類 的 跳轉 或者 JSL 能 提煉 任何 的 這 文字 盒子 列
從 任何 的 你的 報告 和 然後 放 它 進入 你的 數據 桌子。
在 這 案件， I 集 這 數據 觀點。
你 可以 看 這 方程式 1 持有 這 短語 稱呼 或者 這 文字 盒子 稱呼。
這 改變 觀點 出現 到 是 373.
這 一 簡單的 程式碼 將要 抓住 或者 提煉 那 價值 從 這 報告。
和 然後 I 拿 那 進入 我的 列
在 這 改變 觀點 1 柱子，
和 I 提煉 這 數值 價值 出去 的 它。
I 寫道 這 JSL 作為 簡單的 作為 可能的。
我是 非常 初學者 和 腳本 和 編碼。
你 可以 看 I 用過的 簡單的 公式 和 簡單的 方法 到 得到這個。
你 能 看 這 改變 觀點 報告 是 僅有的 給予 你
一 改變 觀點 價值。
但 你 可以 看 在 你的 過程， 那裡 是 其他 變化， 也，
那 你 可能 是 有興趣的 在 和 我們 想 到 尋找 他們 出去。
什麼 I 做 是 一次 你 得到 你的 第一的 價值，
你 隱藏 和 排除 一切 後 你的 改變 觀點。
後 這 373， 你 排除 一切。
現在 你是 左邊 和 這 階段。
你 想 到 看 什麼 是 我的 改變 在 這 階段，
和 這 循環 繼續。
為了 例子， 在 我的 方程式 2 從 我的 報告 2、
我是 拉 這 文字 盒子 短語 稱為 這 改變 觀點。
對不起， 這 是 難的 到 展示。
什麼時候 你 徘徊 在 這，
你 能 看 那 多變的 有 這 短語 [聽不清楚 00:29:49]。
多變的 有 這 階段 的 這 改變 觀點 出現 在 排 157.
你 拿 這 價值 和 然後 放 它 在 你的 柱子 稱呼，
CP 文字, 某物 喜歡 那，
在哪裡 你 可以 提煉 你的 第二 改變 觀點。
一次 你 得到 a 數據 喜歡 那，
它 是 非常 簡單的 到 構造 a 儀表板 喜歡 這，
在哪裡 你 創造 你的 控制 圖表 儀表板，
每個 個人 成分， 模型- 驅動 多變數 控制 圖表，
和 創造 這 儀表板 使用 這 新的 儀表板 應用。
一次 你 創造 a 好的 儀表板 喜歡 這，
你 只是 去 這裡 和 你 只是 拿 一切 進入 這 腳本。
我是 交換 向下 到 我的 推介會。
I 希望 這 波士頓住房 數據 例子 是 非常 清除，
因為 如何 容易地 你 能 探測 變化 在 任何 時間 系列 數據
和 相關 那些 和 你的 輸入 參數。
在 真實的 生活 或者 製造業 設想，
你 會 有 一些 輸入 參數 喜歡 這。
在 這 案件， 在 我的 儀表板，
我們 看 進入 大約 50 輸入 參數 比較 和 我們的 輸出 參數。
我們 也 監視器 這 多變數 控制 收費。
你 可以 看 我是 監控 多種的 關鍵品質因子 一起
反而 的 每個 個人 傳統的 控制 圖表。
我是 出口 這些 價值觀 進入 我的 現存的 控制 圖表
和 然後 立即地 診斷 我的 故障。
這 儀表板， 作為 你 能 看， 它是 漂亮的 自己- 解釋性的，
簡單的 到 讀， 簡單的 到 部署 在 你的 製造業 地面。
技術人員 甚至 不是 舒服的 和 統計 分析，
和 正在做 這 種類 的 大樓 控制 圖表 和 一切，
他們會 只是 看 在 這 過程 說 那，
「這 因為， I 有 二 變化 在 我的 過程，
和 讓 我 看 什麼 是 這 輸入 參數
那 是 關聯 這些 變化 和 看 如果 I 能 改變 他們
或者 操縱 他們 所以 那 我的 過程 後退 到 穩定的 像這樣的狀態。
再次， 這 相關性 係數 是 漂亮的 簡單的 到 解釋 到 任何人
在 這 製造業 車間。
為了 例子， a 強的 積極的 相關性 會 給 你 a 藍色的 數位 更近 到 1、
或者 a 強的 消極的 相關性 會 是 某物 喜歡 -0.7，
但 這 變化 會 是 某物 喜歡 這
什麼時候 你 增加 某物。
和 微妙的 位元 的 變化，
你 會 看 a 消極的 相關性 那裡，
和 然後 a 虛弱的 消極的 相關性 會 是 某物 喜歡 這，
a 很多 的 變化 反而 的 a 直的 像這樣。
和 然後 有 不 相關性。
這 數位 會 是 漂亮的 很多 關閉 到 0.
你 會 看，
甚至 如果 你 增加 一， 這 其他 可能 是 減少。
它 是 非常 簡單的 到 解釋。
它 是 非常 視覺的 在 這 製造業 店鋪 地面
到 尋找 出去 這些 種類 的 數字，
尋找 到 看 什麼 輸入 有 改變 和 什麼 輸入 有 a 強的 相關性。
那裡 是 一個 額外 獎金 和 這 改變 觀點 一體化。
作為 你 能 看， 這些 是 全部 數值 數據，
哪個 是 得到 a 數值 相關性 喜歡 這。
但 這 改變 觀點 是 告訴 你 什麼時候 這 過失 有 發生
和 什麼時候 你 知道 什麼時候 這 過失 有 發生了，
你 只是 看 進入 你的 數據 這樣的 作為 範本 改變 或者 你的 載入 港口 身分證件，
和 你 將要 得到 a 相關性 和 你的 非 數值 數據 [聽不清楚 00:34:10] .
你 會 開始 a 討論 在 你的 製造車間。
嘿， 什麼時候 這 時間 發生了， I 做過 這 改變 超過 午安
或者 這 工具 是 環境 閒置的，
或者 I 做過 a 防止 天 到 維護 在 這 精確的 時間。
或許 那 防止 天 到 維護 時間，
一些 問題 有 發生。
這 是 給予 你 a 滿的 圖片。
你是 尋找 進入 噸 的 50 加 輸入 參數
和 容易地 得到 a 相關性 和 你的 關鍵品質因子
和 容易地 偵測 這 故障。
在 這 相同的 時間， 你 有 非 數值 數據 這樣的 作為 喜歡 這，
和 你 尋找 出去 和 你 涉及 喜歡，
什麼 曾是 I 正在做 什麼時候 這 改變 或者 過失 有 發生 在 我的 過程？
這 最終的 外賣
是 經過 整合 改變 觀點 功能 到 我們的 現存的 控制 圖表。
是 迅速地 發現 故障 和 診斷 他們 快點，
儲存 百萬 的 美元 在 我們的 快速地- 節奏 製造業。
和 JSL 腳本，
是 有能力的 到 尋找 出去 那裡 是 多種的 改變 點 在 我們的 過程
和 整合 他們 到 我們的 控制 圖表 儀表板。
這 改變 觀點 和 多變數 方法 能 是 用過的 在 任何 時間 系列，
作為 I 曾是 提及。
為了 例子， 什麼時候 我是 準備 為了 這 推介會，
I 給了 a 小的 放 的 我們的 每月 儲蓄 數據 放 到 我的 妻子
世界衛生組織 是 不是 熟悉的 和 統計數據 和 控制 圖表。
之上 追蹤 這 儀表板，
我的 妻子 容易地 成立 那裡 是 改變 點 在 我們的 儲蓄。
但 在 這 相同的 時間， 她 做過 不是 喜歡 這 事實
那 什麼時候 這 儀表板 尖 出去 那 我們的 亞馬遜 開支
是 出色地 關聯 為了 我們的 低的 儲存 個月。
作為 你 能 看， 喜歡 這 時間， 這 改變 觀點，
你 可以 使用 它 在 任何 時間 系列 數據。
你 可以 尋找 出去 你的 變化 在 你的 時間 系列
和 什麼時候 這 改變 有 發生
或者 什麼時候 這 重要的 改變 有 發生了，
和 然後 你 能 相關 到 你的 輸入 參數。
在 我們的 案件， 我們 是 只是 關聯 你的 亞馬遜 開支 或者 拿- 出去 晚餐
和 一些 其他 因素 [聽不清楚 00:36:18] .
那是 漂亮的 很多， 和 I 希望 你 成立 這 推介會 非常 有用，
和 你 也 學到了 如何 你 能 容易地 尋找 多種的 改變 點
透過 JSL 腳本 和 創造 簡單的 儀表板
到 在哪裡 示威者
到 尋找 出去 故障 和 容易地 診斷 他們。
感謝 你。
