| Lautsprecher |
Transkript |
| Jason Wiggins, JMP |
Okay, mach weiter, wenn du bereit bist. |
| |
Okay. |
| |
Hallo zusammen. |
| |
Mein Name ist Charles Chen. Heute sprechen wir über ein interessantes Thema zum STEAMS- und DMAIC-Lehrplan für Datenwissenschaftler, die JMP 16 verwenden. |
| |
Wir sind drei Autoren. Mason Chen ist der erste. Ich bin Charles, der zweite, und Patrick ist der dritte. Wir sind vom Stanford Online High School STEAMS Club. Mason Chen ist ein Highschool-Schüler und der Clubleiter. Patrick und ich sind die Berater des Clubs. |
| |
Die Projektübersicht, die Opportunity-Erklärung, der traditionelle Six Sigma DMAIC-Prozess, kombiniert mit der interdisziplinären STEAMS-Methodik |
| |
kann Datenwissenschaftlern helfen, einen größeren Beitrag im Bereich Big Data zu leisten. Unser Projektziel ist die Entwicklung eines Six-Sigma-Data-Science-Lehrplans für Gymnasiasten. |
| |
bis hin zu Branchenexperten, indem wir die JMP 16-Plattform auf die DMAIC-Phasen abbilden. |
| |
Bevor wir beginnen, ist das Publikum vielleicht neugierig: Hey, Six Sigma ist für Profis und der Datenwissenschaftler ist auch ein Profi. |
| |
Warum erwähnen wir dies auch für die Oberstufenschüler? Hier verwenden wir die Fallstudie unseres Erstautors, Mason Chen. |
| |
Seine umfangreiche Erfahrung begann er im Alter von 10 Jahren. Er begann eine Ausbildung zum Datenwissenschaftler und versuchte auch, Zertifizierungen für IBM SPSS und Minitab zu erwerben. |
| |
Mit 11 Jahren erhielt er die IBM Modeler Data Mining-Zertifizierung. Anschließend wechselte er zu JMP und studierte dort mit etwa 12 oder 13 Jahren. |
| |
Und dann JMP STIPS und die DOE- und Zertifizierungsprüfung sowie das JMP 16 Text Mining. Und der Grund, warum er dieses Jahr auch die lineare Algebra abgeschlossen hat |
| |
Hochschulkurse und auch Data Science durch unser Programm. Heute werden wir, basierend auf seiner Erfahrung, auch mit den Beratern, darüber sprechen, wie wir JMP 16 nutzen können, um |
| |
Erstellen Sie das Six-Sigma-Data-Science-Programm. Mason wird zukünftig auch auf R umsteigen. Er hat versucht, R zu lernen, damit er auch die JSL-Sprache erlernen kann. |
| |
Und das ist Masons Bild, als er vor zwei Jahren an der ASA-Konferenz teilnahm. |
| |
Unser Projekt versucht also, STEAMS und DMAIC zu verbinden. STEAMS ist also das STEAMs-Programm des Mason-Gründers aus dem Jahr 2017. |
| |
traditionelles MINT-Programm. Was ist also der Unterschied? Wissenschaft, Technologie, Ingenieurwesen und Mathematik sind also immer noch dieselben, verstanden? |
| |
Aber wir haben künstliche Intelligenz und auch Statistik hinzugefügt, [so dass es] zu STEAMS wird. Und die Datenwissenschaft ist eine beliebte Kombination aus künstlicher Intelligenz, Mathematik und Statistik. |
| |
Und die traditionelle Six Sigma DMAIC lässt sich recht gut mit der STEAMS-Methodik kombinieren. Man erkennt viel genaues Denken. (??) Einige weitere Problemlösungstools |
| |
aus dem DMAIC. Sie lassen sich auch recht gut auf den naturwissenschaftlichen Bereich oder sogar auf die Problemlösung im Ingenieurwesen übertragen. Mit der Datenwissenschaft |
| |
Möglicherweise wird STEAMS sogar noch stärker zu DMAIC befördert. So können wir unserer Meinung nach das Six-Sigma-Data-Science-Programm für Gymnasiasten basierend auf der STEAMS-Methodik entwickeln. |
| |
Der erste Schritt nach der Veröffentlichung von JMP 16 im Frühjahr besteht darin, die gesamte JMP 16-Plattform zu untersuchen und zu identifizieren |
| |
Welche Plattformen könnten für Datenwissenschaftler geeignet sein? Wir basieren auf den drei Vs von Big Data – Volumen, Vielfalt und Geschwindigkeit. |
| |
Und basierend auf den drei Vs, welches sind die Tools oder Plattformen, die gut zum Data Science-Programm passen könnten, wie zum Beispiel ein Graph Builder, |
| |
Text Explorer, Tabellen, prädiktive Modellierung, Screening, multivariate Methoden, Clustering, Qualitätsmethode, Problemlösung. Jetzt werden wir all diese Tools den DMAIC-Phasen zuordnen. |
| |
Indem wir die JMP 16-Plattformen kennenlernen, versuchen wir auch, [unverständlich] hinter diesen JMP-Tools zu verstehen. |
| |
Und wir finden heraus, dass die Data-Science-Statistik die folgenden Module abdecken kann. Das erste ist das traditionelle DMAIC für die Qualitäts- und Zuverlässigkeitstechnik, wie etwa MSA oder SPC. |
| |
Und als nächstes folgt das Design für Six Sigma, hauptsächlich für die Modellierung, DOE-Modellierung, die Monte-Carlo-Simulation und robuste Toleranz. |
| |
Dann stellen wir fest, dass lineare Algebra für die Datenwissenschaft sehr wichtig ist, wie zum Beispiel die Hauptkomponentenanalyse oder die Singulärwertzerlegung. Und als nächstes kommt das Data Mining, einschließlich Klassifizierung, neuronales Netzwerk, Partitionierung oder Random Forest. |
| |
Und Zeitreihen oder Prognosen sind für die Datenwissenschaft auch sehr wichtig, um mit den Zeitdaten (?) umzugehen, also finden wir das beispielsweise mit dem ARIMA-Modell heraus. |
| |
Und Text Mining eignet sich auch gut für unstrukturierte Daten. Und auch Umfragen und Verbraucherforschung sind sehr wichtig, um die Stimme der Kunden zu verstehen. |
| |
Außerdem erfahren Sie, wie Sie die Marketingsegmentierung durchführen. Alle diese Statistiken, die wir herausgefunden haben, sind für die Nutzung einer JMP-Plattform von entscheidender Bedeutung. |
| |
Dann versuchen wir, |
| |
all diese JMP 16-Plattformen mit den traditionellen Lean Six Sigma BB-Modulen. Wir identifizieren also die traditionellen BB-Module und entwickeln drei |
| |
Trainingsprogramme. Das Programm A ist das traditionellere DMAIC Black Belt-Trainingsprogramm, und dies sind die JMP 16-Plattformen, die damit verbunden sind. Das zweite ist das modernere Data Mining |
| |
[unverständlich] kategorische Daten. Wir versuchen daher, die JMP 16-Plattformen an jedes Trainingsprogramm anzupassen. Da die Teilnehmer oder die Schulung ein besonderes Interesse haben, können wir sie anpassen. |
| |
ihr besonderes Interesse und Fachgebiet. |
| |
Von nun an versuchen wir, alle Tools und Konzepte den DMAIC-Phasen zuzuordnen. Die erste Phase ist die Definitionsphase. Das Hauptkonzept der Definitionsphase besteht darin, die Problemstellung zu definieren und dabei die Kundenmeinung oder die Stimme des Unternehmens zu berücksichtigen. |
| |
Außerdem müssen wir das Projektziel und die Zielsetzung, insbesondere den für die Qualität entscheidenden CTQ, in der Six-Sigma-Sprache definieren. |
| |
Sie müssen außerdem die Erfolgskriterien und etwaige Spezifikationsgrenzen definieren. |
| |
Auch in der Definitionsphase ist der Teamaufbau für die Teambildung, das Storming, die Normierung und die Durchführung von Teamleistungen sehr wichtig. |
| |
Und die zugehörigen JMP 16-Plattformen, wie z. B. Datenbank erstellen. Query Builder ist sehr leistungsstark. Datenvisualisierung ist wichtig. |
| |
Data Mining versucht, Kunden zu clustern. Marktforschung, wie auch Konsumentenforschung, versucht, eine Marketingsegmentierung durchzuführen; das ist sehr wichtig. Auf der rechten Seite sehen Sie ein einfaches Beispiel, wie wir die Marketingsegmentierung mithilfe von Clustering durchführen. |
| |
Clustering-Affinitätsanalyse. Wir können die Kunden wahrscheinlich gruppieren und dann versuchen, eine Strategie für die Marketingpriorität zu entwickeln. |
| |
Die zweite Phase ist die Messphase. Der Schwerpunkt liegt dabei auf der Prozessfähigkeit und -stabilität, insbesondere bei der Fertigung in größerem Maßstab. |
| |
Wir versuchen, drei zu finden |
| |
Leistungsstarkes Tool von JMP. Das erste ist ein Zieldiagramm. Mit dem Zieldiagramm lässt sich die Prozessfähigkeit von Charge zu Charge und in zwei Dimensionen darstellen. |
| |
Durch die unterschiedlichen Farbzonen wissen wir, dass [unverständlich] und es nicht geeignet ist. |
| |
Das mittlere Prozessleistungsdiagramm ist ebenfalls sehr aussagekräftig, da es die Prozessfähigkeit und -stabilität kombiniert. Erfüllt der Prozess beide Kriterien, befindet er sich oben links und damit im grünen Bereich. Erfüllt er beide Kriterien nicht, befindet er sich unten links oder unten rechts. |
| |
Auf der rechten Seite befindet sich ein Prozessverlaufs-Explorer, so dass sie alle historischen |
| |
vergangene Leistung. Anhand dieser Liste können Sie erkennen, welche Faktoren mit der schlechten Rendite in Zusammenhang stehen. |
| |
Die nächste Phase ist die Analysephase. In der Analysephase werden Ursachen analysiert, komplexe Datensätze zusammengefasst, Muster und Erkenntnisse visualisiert und entdeckt sowie wichtige Faktoren isoliert und geprüft. |
| |
Basierend auf diesen Analysethemen identifizieren wir auch das Fischgrätendiagramm, Tabulate, Text Explorer, multivariate Methoden, Clustering und auch die kategorische Antwortanalyse. |
| |
Auf dieser Folie möchten wir das Pareto-Diagramm vorstellen. Das JMP 16 Pareto-Diagramm ist zweidimensional und ermöglicht so die Kombinationsfindung oder Mustererkennung verschiedener Faktoren. |
| |
Und das Fischgrätendiagramm war schon immer sehr leistungsstark und nützlich für die Echtzeitarbeit an Abschnitten. |
| |
Entwerfen oder passen Sie das Fischgrätendiagramm an. |
| |
Für die Datenzusammenfassung empfehlen wir Tabulate. Es ist wie |
| |
die Excel-Pivot-Tabelle, [unverständlich] bequem und leistungsstark |
| |
weil sie auch beschreibende Statistiken hinzufügen können. |
| |
In der Mitte ist der Text Explorer so leistungsstark für die Analyse der Textdatenbank, dass er nach Schlüsselwörtern und Phrasen suchen kann, und dann können wir sogar das Text Mining in das Data Mining umwandeln. |
| |
Auf der rechten Seite finden Sie kategorische Daten, um Zusammenhänge zwischen verschiedenen Arten von Faktoren zu finden. |
| |
Und die unterschiedlichen Farben stellen unterschiedliche Arten von Variablen dar. Bei jedem Paar liegen sie also nahe beieinander und weit vom Ursprung entfernt, und das ist der Punkt bei einer hohen Assoziation. Das kann Ihnen etwas sagen oder Ihnen eine Art von Einblick in die Beziehung dieser Variablen geben. |
| |
Die nächste Phase ist die Verbesserungsphase. |
| |
In der Verbesserungsphase versuchen wir, prädiktive Modelle zu erstellen. Wir versuchen, bei Bedarf neue Experimente zu entwerfen. Wir versuchen, die Produktionsqualität zu verbessern. |
| |
Für die JMP 16-Plattformen zur prädiktiven Modellierung empfehlen wir den Prediction Profiler oder den benutzerdefinierten Profiler. Und DOE, wir können |
| |
Wir haben verschiedene Arten von benutzerdefinierten DOEs, gemischten DOEs und sogar DOE-Erweiterungen. Für spezialisierte Modelle, wie maschinelles Lernen, haben wir das neuronale JMP-Netzwerk, das Partitionsmodell und auch verschiedene Arten des Screenings. |
| |
Für die Umfrage und Verbraucherforschung |
| |
JMP verfügt über das Auswahlmodell und auch über das Designmodell zur Maximierung der Differenz. |
| |
Für die Designoptimierung |
| |
Auf der linken Seite, dem Prediction Profiler, können wir die Sensitivitätsanalyse durchführen. Wir können die Monte-Carlo-Simulation durchführen, um die nichtkonformen [unverständlich] zu simulieren. |
| |
Prozentsatz. |
| |
Wenn wir in der Mitte viele Faktoren im Modell haben, ist der benutzerdefinierte Profiler die gute Wahl, um unter so vielen Faktoren das optimale Modell zu finden. |
| |
Auf der rechten Seite finden Sie ein gruppenorthogonales übersättigtes DOE. Dies ist ein sehr leistungsfähiges DOE zur Analyse einer Option für die nachgelagerte Analyse. Dabei werden Blockierungsfaktoren oder ein Konzept verwendet, um die Anzahl der DOE-Läufe zu minimieren und so die Kosten zu senken. |
| |
Für die prädiktiven Modelle empfehlen wir ein neuronales Netzwerk, ein sehr leistungsfähiges |
| |
Transformation und versuchen, das beste Modell zu finden, um es zu machen |
| |
eine höhere Ausbildung und Validierung erhalten |
| |
Fitness. Bei der Partition handelt es sich um eine binäre Aufteilung. So können sie den Datensatz in verschiedene Kategorien aufteilen, sodass sie |
| |
Hervorheben und auch den Hauptbeitrag abschließen (??). |
| |
Für die Designoptimierung empfehlen wir auch eine Art Screening-Plattform, die in JMP 16 verfügbar ist. Die erste auf der rechten Seite ist das Response-Screening. |
| |
JMP verwendet die |
| |
FDR, Falscherkennungsrate, um zu bestimmen, wie gut Ihre Vorhersagemodellierung ist. Wenn Ihre Kurve also niedriger bleibt, okay, und |
| |
und das bedeutet, dass Sie über gute Vorhersagemodelle verfügen. Wenn Sie nach oben gehen, und das betrifft diesen Teil, verfügen Sie nicht über gute Vorhersagefähigkeiten. |
| |
Im mittleren Bereich handelt es sich um ein Prozess-Screening. So können Sie alle Prozessparameter sehen. Es könnten Eingabeparameter sein. Es könnten Ausgabeergebnisse sein. |
| |
JMP verwendet die Farben Grün und Rot, um die Aufwärts- bzw. Abwärtsverschiebung zu kennzeichnen. Wenn Sie also mehr Grün oder Rot sehen, bedeutet das, dass Ihre Richtlinie nicht sehr stabil ist. |
| |
Auch die rechte Seite ist sehr aussagekräftig. Sie ordnet alle Prädiktorbeiträge, sodass Ihnen zuerst die wichtigsten, die sogenannten entscheidenden Prädiktoren, angezeigt werden. So können Sie Grundursachen finden oder Lösungen finden. |
| |
Für die Verbraucherforschung hatte JMP Choice Design |
| |
um dem Verbraucher zu helfen, das für ihn beste Produkt oder die beste Wahl auszuwählen. |
| |
Für das Design zur Maximierung der Differenz, und dies ist auch das andere Umfragedesign, wählen Sie die am häufigsten und am wenigsten bevorzugten Elemente aus. JMP kann das Modell also ausführen, um Ihre Präferenz zu bewerten. |
| |
Für die letzte Kontrollphase [unverständlich] erhöhen Sie die Prozesskontrolle, halten die Verbesserung über einen langen Zeitraum aufrecht, von Upstream zu Downstream, multivariate Prozesskontrolle. |
| |
Die JMP-Plattformen umfassen klassische Kontrollkarten, zeitsensitive Kontrollkarten und multivariate Kontrollkarten. Die Verbraucherforschung umfasst die Multifaktoranalyse. Auch die Zeitreihenanalyse umfasst Dekomposition, Glättung sowie ARIMA-Modell und -Prognose. |
| |
Für die multivariaten Kontrollkarten auf der linken Seite finden wir die Änderungspunkterkennung. Dies ist der Punkt, der den größten Vorher-Nachher-Kontrast aufweist. Dies ist also [unverständlich] die Ursachenanalyse darüber, was passiert ist oder wann am wichtigsten ist. |
| |
größter Wendepunkt. In der Mitte befindet sich das T-Quadrat. |
| |
Modellgesteuerte Kontrollkarte. Dies gibt Ihnen den Fehlermodus an, |
| |
Aufschlüsselung der Parameter, die am meisten zum OOC-Punkt beitragen. Auf der rechten Seite befindet sich eine Multifaktorenanalyse. |
| |
Basierend auf der Eigenwert- und Eigenfaktoranalyse. Dies ist wie ein Affinitätsdiagramm. So können ähnliche Faktoren basierend auf dem Eigenwert und Eigenfaktor gruppiert werden. |
| |
Für die Zeitreihenanalyse auf der linken Seite können Sie die Modelldiagnose durchführen. So können Sie die saisonalen und zyklischen Trendkomponenten identifizieren. |
| |
In der Mitte können sie die ARIMA-Modelle verwenden, um die Daten mithilfe saisonaler oder nicht saisonaler Modelle anzupassen. Für die Prognose können sie das optimale Modell zur Vorhersage des zukünftigen Zeitpunkts finden. |
| |
Das Fazit dieses Vortrags: Traditionelle Six Sigma DMAIC und die interdisziplinäre STEAMS-Methode können Datenwissenschaftlern dabei helfen, ihre Fähigkeiten in den Bereichen Führung und Teambildung weiterzuentwickeln. |
| |
Moderne JMP 16-Plattformen sind den DMAIC-Phasen zugeordnet, um die Umsetzung von Six-Sigma-Projekten im Data-Science-Bereich zu unterstützen. Datenbankmanagement, angewandte Ingenieurwissenschaften, Statistik, Data Mining und Text Mining sind für die heutige datenwissenschaftliche Analytik von entscheidender Bedeutung. |
| |
Damit schließen wir unsere heutige Präsentation ab. Vielen Dank für Ihre Zeit. |
