| Conférencier |
Transcription |
| Jason Wiggins, JMP |
Ok, vas-y quand tu es prêt. |
| |
D'accord. |
| |
Bonjour tout le monde. |
| |
Je m'appelle Charles Chen. Aujourd'hui, nous allons aborder un sujet intéressant concernant le programme STEAMS et DMAIC pour les data scientists utilisant JMP 16. |
| |
Nous sommes trois auteurs. Mason Chen est le premier. Je suis Charles, le deuxième, et Patrick, le troisième. Nous sommes membres du club STEAMS du lycée Stanford Online. Mason Chen est en première année de lycée et il est le responsable du club. Patrick et moi sommes les conseillers du club. |
| |
L'aperçu du projet, la déclaration d'opportunité, le processus traditionnel Six Sigma DMAIC, combiné à la méthodologie interdisciplinaire STEAMS |
| |
peut aider les data scientists à accroître leur contribution au domaine du big data. Notre projet vise à développer un programme de formation Six Sigma en science des données destiné aux lycéens. |
| |
jusqu'aux professionnels de l'industrie en mappant la plateforme JMP 16 sur les phases DMAIC. |
| |
Avant de commencer, le public peut être curieux, hé, le Six Sigma est destiné aux professionnels, et le data scientist est également professionnel. |
| |
Alors pourquoi mentionner cela également aux lycéens ? Nous allons donc utiliser ici l'étude de cas de notre premier auteur, Mason Chen. |
| |
Il a acquis une solide expérience à l'âge de 10 ans. Il a commencé à suivre une formation de data scientist et à obtenir la certification IBM SPSS et Minitab. |
| |
À 11 ans, il a obtenu la certification IBM Modeler Data Mining. Il a ensuite intégré JMP, où il a étudié vers 12 ou 13 ans. |
| |
Et puis, JMP STIPS, l'examen de certification du DOE, ainsi que l'exploration de texte JMP 16. Et c'est pourquoi, cette année, il a également terminé l'algèbre linéaire. |
| |
Des cours universitaires et la science des données dans le cadre de notre programme. Aujourd'hui, nous allons parler de son expérience et de celle de nos conseillers. Nous allons essayer de vous présenter comment utiliser JMP 16 pour |
| |
Créer le programme de science des données Six Sigma. Mason va également passer à R à l'avenir. Il a essayé d'apprendre R pour pouvoir également apprendre le langage JSL. |
| |
Et voici la photo de Mason, lorsqu'il assistait à la conférence de l'ASA il y a deux ans. |
| |
Notre projet vise à relier les STEAMS et le DMAIC. STEAMS est le programme STEAMS du fondateur Mason, lancé en 2017. |
| |
Un programme STEM traditionnel. Alors, quelle est la différence ? Les sciences, la technologie, l'ingénierie et les mathématiques sont donc les mêmes, vous comprenez ? |
| |
Mais nous avons ajouté l'intelligence artificielle et les statistiques, ce qui donne naissance aux STEAMS. La science des données est une combinaison populaire d'intelligence artificielle, de mathématiques et de statistiques. |
| |
La méthodologie DMAIC Six Sigma traditionnelle s'intègre assez bien à la méthodologie STEAMS. On y observe une réflexion approfondie. (??) D'autres outils de résolution de problèmes |
| |
du DMAIC. Ils s'intègrent également assez bien au domaine scientifique, voire à la résolution de problèmes d'ingénierie. Avec la science des données, ils |
| |
Nous pourrions même promouvoir davantage les STEAMS vers le DMAIC. C'est ainsi que nous pensons pouvoir développer le programme de science des données Six Sigma pour les lycéens, basé sur la méthodologie STEAMS. |
| |
Donc, la première étape, une fois le JMP 16 sorti plus tôt ce printemps, consiste à examiner toute la plateforme JMP 16 et à identifier |
| |
Quelles sont les plateformes qui pourraient être utiles aux data scientists ? Nous nous sommes donc basés sur les trois V du Big Data : volume, variété et vélocité. |
| |
Et, sur la base des trois V, quels sont les outils ou les plateformes qui peuvent bien s'adapter au programme de science des données, comme par exemple un Graph Builder, |
| |
Explorateur de texte, tableaux, modélisation prédictive, criblage, méthodes multivariées, clustering, méthode de qualité, résolution de problèmes. Nous allons maintenant associer tous ces outils aux phases DMAIC. |
| |
En apprenant également les plateformes JMP 16, nous essayons également de comprendre [inaudible] derrière ces outils JMP. |
| |
Nous constatons que les statistiques en science des données peuvent couvrir les modules suivants : le premier est le DMAIC traditionnel pour l'ingénierie de la qualité et de la fiabilité, comme MSA ou SPC. |
| |
Et le prochain sera le Design for Six Sigma, principalement pour la modélisation, la modélisation DOE, la simulation Monte Carlo, la tolérance robuste. |
| |
Nous découvrons ensuite que l'algèbre linéaire est essentielle à la science des données, notamment l'analyse en composantes principales ou la décomposition en valeurs singulières. Vient ensuite l'exploration de données, notamment la classification, les réseaux neuronaux, la partition ou les forêts aléatoires. |
| |
Et les séries chronologiques ou les prévisions sont également très importantes pour la science des données afin de gérer les données temporelles (?), nous découvrons donc que, comme le modèle ARIMA. |
| |
L'exploration de texte est également utile pour les données non structurées. Les enquêtes et les études de consommation sont également très importantes pour comprendre la voix des clients. |
| |
Comment réaliser une segmentation marketing ? Toutes ces statistiques sont essentielles à connaître pour utiliser la plateforme JMP. |
| |
Ensuite, nous essayons de cartographier |
| |
toutes ces plateformes JMP 16 aux modules BB traditionnels du Lean Six Sigma. Nous identifions donc les modules BB traditionnels et en développons trois. |
| |
Programmes de formation. Le programme A est le programme de formation DMAIC Black Belt, plus traditionnel, et les plateformes JMP 16 y sont associées. Le second est le programme plus moderne d'exploration de données. |
| |
[inaudible] Données catégorielles. Nous essayons donc d'adapter rapidement les plateformes JMP 16 à chaque programme de formation. Et comme les étudiants ou la formation peuvent avoir des intérêts particuliers, nous pouvons personnaliser les données. |
| |
leur intérêt et leur domaine particuliers. |
| |
À partir de maintenant, nous allons essayer de relier tous les outils ou concepts aux phases DMAIC. La première phase est la phase de définition. Son objectif principal est de définir l'énoncé du problème, en incluant la voix des clients ou de l'entreprise. |
| |
Nous devons également définir le but et l'objectif du projet, en particulier concernant le CTQ critique pour la qualité, dans le langage Six Sigma. |
| |
Ils doivent également définir les critères de réussite et toute limite de spécification. |
| |
Également dans la phase de définition, la constitution d'équipes est très importante pour former, organiser, normaliser et réaliser des performances. |
| |
Et les plateformes JMP 16 associées, comme la création de bases de données, le générateur de requêtes est très puissant. La visualisation des données est importante. |
| |
L'exploration de données vise à regrouper les clients. Les études de marché, comme les études de consommation, visent à segmenter le marketing ; c'est essentiel. À droite, vous trouverez un exemple simple de segmentation marketing grâce au clustering. |
| |
Analyse d'affinité par regroupement. Nous pouvons probablement regrouper les clients, puis essayer d'élaborer une stratégie définissant les priorités marketing. |
| |
La deuxième phase est la phase de mesure. L'accent est mis sur la capacité et la stabilité du processus, notamment pour la production à grande échelle. |
| |
Nous essayons de trouver trois |
| |
Un outil puissant de JMP. Le premier est un diagramme d'objectifs. Ce diagramme permet de représenter la capacité du processus d'un lot à l'autre, en deux dimensions. |
| |
À travers les différentes zones colorées, on sait que [inaudible] et ce n'est pas adapté. |
| |
Le graphique des performances du processus intermédiaire est également très performant, car il combine la capacité et la stabilité du processus. S'il satisfait aux deux critères, vous serez en haut à gauche, c'est-à-dire en vert. S'il échoue aux deux critères, vous serez en bas à gauche ou à droite. |
| |
Sur le côté droit se trouve un explorateur d'historique de processus afin qu'ils puissent répertorier tous les éléments historiques |
| |
Performances passées. Grâce à cette liste, vous pouvez identifier les facteurs associés à ce faible rendement. |
| |
La phase suivante est l'analyse. Elle consiste à analyser les causes profondes, à synthétiser des ensembles de données complexes, à visualiser et à identifier des tendances et des informations, ainsi qu'à isoler et à filtrer les facteurs importants. |
| |
Sur la base de ces sujets d'analyse, nous identifions également le diagramme en arête de poisson, Tabulate, Text Explorer, les méthodes multivariées, le clustering, ainsi que l'analyse de réponse catégorielle. |
| |
Dans cette diapositive, nous souhaitons présenter le diagramme de Pareto. Le diagramme de Pareto JMP 16 permet de réaliser des analyses bidimensionnelles, ce qui permet de trouver plus de combinaisons (??) ou de reconnaître des formes parmi différents types de facteurs. |
| |
Et le diagramme en arête de poisson a toujours été très puissant et utile pour le travail en temps réel sur la section, vous pouvez. |
| |
concevoir ou personnaliser le diagramme en arête de poisson. |
| |
Pour la synthèse des données, nous recommandons vivement Tabulate. C'est comme |
| |
le tableau croisé dynamique Excel, [inaudible] pratique et puissant |
| |
car ils peuvent également ajouter des statistiques descriptives. |
| |
Au milieu, l'explorateur de texte est si puissant pour analyser la base de données de texte, afin qu'ils puissent rechercher le mot-clé et les phrases, puis nous pouvons même convertir l'exploration de texte en exploration de données. |
| |
Sur le côté droit se trouvent les données catégorielles permettant de trouver des associations entre différents types de facteurs. |
| |
Et les différentes couleurs, elles présentent différents types de variables, donc pour chaque paire, elles sont proches l'une de l'autre et elles sont éloignées de l'origine et c'est l'objectif d'une association élevée ; cela peut vous dire quelque chose ou une sorte d'aperçu parmi ces variables. |
| |
La phase suivante est la phase d’amélioration. |
| |
Pour la phase d'amélioration, nous essayons de construire des modèles prédictifs. Nous concevons de nouvelles expériences si nécessaire. Nous cherchons à améliorer la qualité de la production. |
| |
Concernant les plateformes JMP 16 pour la modélisation prédictive, nous recommandons vivement le Prediction Profiler ou le profileur personnalisé. Et DOE, nous pouvons |
| |
Il existe différents types de DOE personnalisés, de DOE mixtes, voire d'augmentation du DOE. Pour les modèles spécialisés, comme l'apprentissage automatique, nous disposons du réseau neuronal JMP, du modèle de partitionnement, ainsi que de différents types de criblage. |
| |
Pour l'enquête et la recherche auprès des consommateurs, |
| |
JMP dispose du modèle de choix, ainsi que du modèle de conception de maximisation des différences. |
| |
Pour l'optimisation de la conception, |
| |
À gauche, le profileur de prédiction permet d'effectuer l'analyse de sensibilité. Nous pouvons également effectuer la simulation de Monte-Carlo afin de simuler les non-conformités [inaudible]. |
| |
pourcentage. |
| |
Au milieu, si nous avons de nombreux facteurs dans le modèle, le Custom Profiler sera le bon choix pour trouver le modèle optimal parmi tant de facteurs. |
| |
À droite, pour le DOE sursaturé orthogonal de groupe. Ce DOE est très puissant pour analyser une option en aval. Il utilise des facteurs ou un concept de blocage afin de minimiser le nombre d'exécutions du DOE et de réduire les coûts. |
| |
Pour les modèles prédictifs, nous recommanderons un réseau neuronal, un outil très puissant |
| |
transformation et essayer de trouver le meilleur modèle pour la réaliser |
| |
obtenir une formation supérieure et une validation |
| |
Fitness. Pour la partition, il s'agit d'une division binaire. Ils peuvent ainsi diviser l'ensemble de données en différentes catégories, afin de pouvoir |
| |
souligner également conclure (??) la contribution majeure. |
| |
Pour l'optimisation de la conception, nous recommandons également une sorte de plate-forme de filtrage disponible dans JMP 16. La première sur le côté droit est le filtrage des réponses. |
| |
JMP utilise le |
| |
Le FDR (taux de fausses détections) permet de déterminer la qualité de votre modèle de prédiction. Si votre courbe reste basse, d'accord ! |
| |
Et cela signifie que vous disposez d'un bon modèle de prédiction. Lorsque vous montez, et cela concerne cette portion, vous n'avez pas de bonnes capacités de prédiction. |
| |
Pour le milieu, il s'agit du filtrage du processus. Vous pouvez ainsi visualiser tous les paramètres du processus. Il peut s'agir de paramètres d'entrée ou de livrables de sortie. |
| |
JMP utilise les couleurs verte et rouge pour identifier les changements de direction. Si vous voyez plus de vert ou de rouge, cela signifie que votre politique n'est pas très stable. |
| |
Pour le côté droit, c'est également très puissant. Il classe toutes les contributions des prédicteurs, vous donnant ainsi en premier les quelques prédicteurs les plus importants, ou ce que nous appelons les prédicteurs essentiels. Vous pouvez ainsi identifier les causes profondes ou trouver des solutions. |
| |
Pour l'étude de consommation, JMP avait le choix de conception |
| |
pour aider le consommateur à choisir son meilleur produit ou son choix. |
| |
Pour le modèle de maximisation des différences, qui est également l'autre modèle d'enquête, vous sélectionnez les éléments les plus et les moins appréciés. JMP peut donc exécuter le modèle pour classer vos préférences. |
| |
Pour la dernière phase de contrôle, [inaudible] intensifier le contrôle du processus, maintenir l'amélioration sur une longue période, de l'amont à l'aval, contrôle du processus multivarié. |
| |
Les plateformes JMP incluent les cartes de contrôle classiques, les cartes de contrôle sensibles au temps et les cartes de contrôle multivariées. Les études de consommation incluent l'analyse factorielle multiple, ainsi que l'analyse des séries chronologiques, comme la décomposition, le lissage, le modèle ARIMA et les prévisions. |
| |
Pour les cartes de contrôle multivariées, à gauche, on trouve la détection du point de changement. C'est le point qui offre le plus grand contraste avant/après. Il s'agit donc [inaudible] de l'analyse des causes profondes concernant ce qui s'est passé ou le moment le plus propice. |
| |
Le point de changement le plus important. Au milieu se trouve la place en T. |
| |
Carte de contrôle pilotée par modèle. Cela vous donnera le mode de défaillance. |
| |
Décomposition des paramètres contribuant le plus au point OOC. À droite se trouve une analyse factorielle multiple. |
| |
Basé sur l'analyse des valeurs propres et des facteurs propres. Il s'agit donc d'un diagramme d'affinité. Ils peuvent ainsi regrouper les facteurs similaires, en fonction de la valeur propre et du facteur propre. |
| |
Pour l'analyse des séries chronologiques, à gauche, ils peuvent effectuer le diagnostic du modèle et identifier les composantes saisonnières et cycliques des tendances. |
| |
En parallèle, ils peuvent utiliser les modèles ARIMA pour ajuster les données à l'aide de modèles saisonniers ou non saisonniers. Pour les prévisions, ils peuvent trouver le modèle optimal pour prédire le point futur. |
| |
Donc, le point à retenir de cette conférence… La méthode traditionnelle Six Sigma DMAIC et la méthode interdisciplinaire STEAMS peuvent aider les scientifiques des données à développer leur leadership et leur esprit d’équipe. |
| |
Les plateformes JMP 16 modernes sont adaptées aux phases DMAIC pour faciliter le déploiement de projets Six Sigma dans les domaines de la science des données. La gestion de bases de données, l'ingénierie appliquée, les statistiques, l'exploration de données et l'exploration de texte sont autant d'éléments essentiels à l'analyse scientifique des données d'aujourd'hui. |
| |
Ceci conclut notre présentation d’aujourd’hui, et merci beaucoup pour votre temps. |
