| 스피커 |
성적 증명서 |
| 제이슨 위긴스, JMP |
좋아요, 준비가 되면 시작하세요. |
| |
좋아요. |
| |
안녕하세요 여러분. |
| |
저는 찰스 첸입니다. 오늘은 JMP 16을 사용하는 데이터 과학자를 위한 STEAMS와 DMAIC 커리큘럼에 관한 흥미로운 주제에 대해 이야기해 보겠습니다. |
| |
저희는 세 명의 작가입니다. 메이슨 첸이 첫 번째 작가입니다. 저는 찰스이고, 두 번째 작가는 패트릭입니다. 저희는 스탠퍼드 온라인 고등학교 스팀(STEAMS) 동아리 소속입니다. 메이슨 첸은 고등학교 3학년이고 동아리 리더입니다. 저와 패트릭은 동아리 고문입니다. |
| |
프로젝트 개요, 기회 설명, 전통적인 Six Sigma DMAIC 프로세스, 학제간 STEAMS 방법론 결합 |
| |
데이터 과학자들이 빅데이터 분야에 더 큰 기여를 할 수 있도록 도울 수 있습니다. 저희 프로젝트 목표는 고등학생을 위한 6시그마 데이터 과학 교육 커리큘럼을 개발하는 것입니다. |
| |
JMP 16 플랫폼을 DMAIC 단계에 매핑하여 업계 전문가에게까지 전달합니다. |
| |
시작하기에 앞서, 청중은 궁금해할지도 모릅니다. '이봐요, 6시그마는 전문가를 위한 거고, 데이터 과학자도 전문가잖아요.' |
| |
그렇다면 고등학생들에게도 이 내용을 언급하는 이유는 무엇일까요? 여기서는 첫 번째 저자인 메이슨 첸의 사례 연구를 활용하고자 합니다. |
| |
그의 풍부한 경험은 10살 때부터 시작되었습니다. 그는 데이터 과학자 교육을 받기 시작했고, IBM SPSS와 Minitab 자격증을 취득하려고 노력했습니다. |
| |
그는 11살 때 IBM Modeler Data Mining 자격증을 취득했습니다. 그 후 12살이나 13살 무렵 JMP로 전향하여 공부했습니다. |
| |
그리고 JMP STIPS, DOE, 자격증 시험, 그리고 JMP 16 텍스트 마이닝까지. 그리고 올해 선형대수학도 끝낸 이유는 |
| |
대학 과정과 저희 프로그램을 통한 데이터 과학에 대해서도 다룹니다. 오늘은 그의 경험과 지도 교수진을 바탕으로 JMP 16을 어떻게 활용할 수 있는지에 대해 이야기해 보겠습니다. |
| |
6시그마 데이터 과학 프로그램을 개발했습니다. 그리고 메이슨은 앞으로 R로 전환할 예정입니다. 그는 JSL 언어도 배우기 위해 R을 배우려고 했습니다. |
| |
그리고 이건 메이슨이 2년 전 ASA 컨퍼런스에 참석했을 때 찍은 사진이에요. |
| |
그래서 저희 프로젝트는 STEAMS와 DMAIC를 연결하려고 합니다. STEAMS는 Mason 설립자 STEAMs 프로그램으로, 2017년경부터 |
| |
전통적인 STEM 프로그램이죠. 그럼 뭐가 다른 걸까요? 과학, 기술, 공학, 수학은 여전히 똑같다는 거죠, 알겠어요? |
| |
하지만 인공지능과 통계학을 더했더니, 이제 STEAMS가 됐습니다. 데이터 과학은 인공지능, 수학, 통계학의 인기 있는 조합이죠. |
| |
그리고 전통적인 6시그마 DMAIC는 STEAMS 방법론과 상당히 잘 맞아떨어집니다. 꽤 잘요. 면밀한 고찰이 많이 보이네요. (??) 다른 문제 해결 도구들도요. |
| |
DMAIC에서 가져온 것입니다. 또한 과학 분야, 심지어 공학 문제 해결에도 상당히 잘 부합합니다. 데이터 과학을 통해 |
| |
STEAMS에서 DMAIC로 더 많은 것을 홍보할 수도 있습니다. 이것이 바로 STEAMS 방법론을 기반으로 고등학생을 위한 6시그마 데이터 과학 프로그램을 개발할 수 있는 방법이라고 생각합니다. |
| |
따라서 이번 봄에 JMP 16이 출시된 후 첫 번째 단계는 모든 JMP 16 플랫폼을 살펴보고 식별하는 것입니다. |
| |
데이터 과학자에게 도움이 될 만한 플랫폼은 무엇일까요? 빅데이터의 세 가지 핵심 요소, 즉 양(Volume), 다양성(Variety), 그리고 속도(Velocity)를 기반으로 분석했습니다. |
| |
그리고 데이터 과학 프로그램에 잘 맞는 도구 또는 플랫폼인 3V를 기준으로 그래프 빌더와 같은 |
| |
텍스트 탐색기, 표, 예측 모델링, 스크리닝, 다변량 분석법, 클러스터링, 품질 분석법, 문제 해결. 이제 이 모든 도구를 DMAIC 단계에 매핑해 보겠습니다. |
| |
또한 JMP 16 플랫폼을 학습하면서 이러한 JMP 도구의 이면에 있는 [inaudible]도 이해하려고 노력합니다. |
| |
데이터 과학 통계는 다음과 같은 모듈을 포함할 수 있습니다. 첫 번째는 MSA나 SPC와 같은 품질 및 신뢰성 엔지니어링을 위한 전통적인 DMAIC입니다. |
| |
다음은 Six Sigma를 위한 디자인, 즉 모델링, DOE 모델링, 몬테카를로 시뮬레이션, 견고한 허용 오차에 관한 것입니다. |
| |
다음으로 주성분 분석이나 특이값 분해와 같은 선형대수가 데이터 과학에 매우 중요하다는 것을 알게 됩니다. 그리고 다음으로 분류, 신경망, 분할 또는 랜덤 포레스트를 포함한 데이터 마이닝에 대해 알아보겠습니다. |
| |
그리고 시계열이나 예측 역시 데이터 과학에서 시간(?) 데이터를 다루는데 매우 중요하기 때문에 ARIMA 모델과 같은 것을 찾아냈습니다. |
| |
텍스트 마이닝은 구조화되지 않은 데이터에 효과적입니다. 설문조사와 소비자 조사 또한 고객의 목소리를 이해하는 데 매우 중요합니다. |
| |
또한, 마케팅 세분화 방법도 알아봅니다. JMP 플랫폼을 활용하려면 이 모든 통계를 아는 것이 매우 중요합니다. |
| |
그 다음 우리는 지도를 시도합니다 |
| |
이 모든 JMP 16 플랫폼을 기존의 Lean Six Sigma BB 모듈에 적용합니다. 따라서 기존의 BB 모듈을 파악하고 세 가지를 개발합니다. |
| |
교육 프로그램입니다. 프로그램 A는 보다 전통적인 DMAIC 블랙 벨트 교육 프로그램이며, JMP 16 플랫폼과 관련이 있습니다. 두 번째 프로그램은 보다 현대적인 데이터 마이닝입니다. |
| |
[들리지 않음] 범주형 데이터입니다. 그래서 저희는 JMP 16 플랫폼을 각기 다른 교육 프로그램에 맞춰 빠르게 적용하려고 노력합니다. 그리고 학생이나 교육에 따라 특정 관심사가 있을 수 있으므로, 저희는 맞춤 설정을 할 수 있습니다. |
| |
그들의 특별한 관심사와 분야. |
| |
이제 모든 도구나 개념을 DMAIC 단계에 매핑해 보겠습니다. 첫 번째 단계는 정의 단계입니다. 정의 단계의 주요 개념은 고객의 의견이나 사업부의 의견을 포함하여 문제 진술을 정의하는 것입니다. |
| |
또한, 특히 Six Sigma 언어로 품질 CTQ에 중요한 요소와 관련된 프로젝트 목표와 목적을 정의해야 합니다. |
| |
또한 성공 기준과 사양 제한도 정의해야 합니다. |
| |
또한 정의 단계에서는 팀 구성, 공격, 규범화 및 수행에 있어서 팀 빌딩이 매우 중요합니다. |
| |
그리고 관련 JMP 16 플랫폼은 데이터베이스 구축과 같은 기능을 제공합니다. 쿼리 빌더는 매우 강력하며, 데이터 시각화가 중요합니다. |
| |
데이터 마이닝은 고객을 클러스터링하는 데 중점을 둡니다. 소비자 조사와 마찬가지로 시장 조사도 마케팅 세분화를 위해 노력하는데, 이는 매우 중요합니다. 오른쪽은 클러스터링을 활용하여 마케팅 세분화를 수행하는 방법에 대한 간단한 예시입니다. |
| |
클러스터링 친화도 분석입니다. 고객을 그룹화한 후 마케팅 우선순위에 대한 전략을 수립할 수 있을 것 같습니다. |
| |
두 번째 단계는 측정 단계입니다. 특히 대규모 제조 생산의 경우, 공정 역량과 공정 안정성에 중점을 둡니다. |
| |
우리는 세 가지를 찾으려고 노력합니다 |
| |
JMP의 강력한 도구입니다. 첫 번째는 목표 플롯입니다. 목표 플롯은 로트 간 공정 능력을 두 차원으로 나타낼 수 있습니다. |
| |
다양한 색상의 구역을 통해 우리는 [inaudible]이 적합하지 않다는 것을 알 수 있습니다. |
| |
중간 프로세스 성능 플롯은 프로세스 역량과 안정성을 결합하기 때문에 매우 강력합니다. 두 기준을 모두 통과하면 왼쪽 위, 즉 녹색으로 표시됩니다. 두 기준을 모두 통과하지 못하면 왼쪽 아래 또는 오른쪽 아래에 표시됩니다. |
| |
오른쪽에는 프로세스 기록 탐색기가 있어 모든 기록을 나열할 수 있습니다. |
| |
과거 실적. 그리고 이러한 목록을 통해 저조한 수익률과 관련된 요인을 파악할 수 있습니다. |
| |
다음 단계는 분석 단계입니다. 분석 단계에서는 근본 원인을 분석하고, 복잡한 데이터 세트를 요약하고, 패턴과 통찰력을 시각화하고 발견하며, 중요한 요소를 분리하고 선별합니다. |
| |
이러한 분석 주제를 기반으로 피쉬본 다이어그램, 표형, 텍스트 탐색기, 다변량 기반 방법, 클러스터링, 범주형 반응 분석도 식별합니다. |
| |
이 슬라이드에서는 파레토 플롯을 소개합니다. JMP 16 파레토 플롯은 2차원 분석을 통해 다양한 요인 간의 조합이나 패턴 인식을 더 잘 파악할 수 있도록 도와줍니다. |
| |
그리고 피쉬본 다이어그램은 항상 실시간 작업에 매우 강력하고 유용했습니다. |
| |
피쉬본 다이어그램을 디자인하거나 사용자 정의하세요. |
| |
데이터 요약을 위해서는 Tabulate를 강력히 추천합니다. |
| |
엑셀 피벗 테이블, [inaudible] 편리하고 강력해요 |
| |
기술 통계도 추가할 수 있기 때문입니다. |
| |
중간에 있는 Text Explorer는 텍스트 데이터베이스를 분석하는 데 매우 강력해서 키워드와 구문을 검색할 수 있고, 텍스트 마이닝을 데이터 마이닝으로 전환할 수도 있습니다. |
| |
오른쪽에는 다양한 요인 간의 연관성을 찾기 위한 범주형 데이터가 있습니다. |
| |
그리고 다양한 색상은 다양한 종류의 변수를 나타냅니다. 따라서 어떤 쌍이든 서로 가깝고 원점에서 멀리 떨어져 있는데, 이것이 높은 연관성에 대한 초점입니다. 이는 변수들 사이에 무언가 또는 어떤 종류의 통찰력을 알려줄 수 있습니다. |
| |
다음 단계는 개선 단계입니다. |
| |
개선 단계에서는 예측 모델을 구축하고, 필요에 따라 새로운 실험을 설계하며, 생산 품질을 개선하고자 노력합니다. |
| |
예측 모델링을 위한 JMP 16 플랫폼과 관련하여 Prediction Profiler 또는 맞춤형 프로파일러를 적극 권장합니다. DOE의 경우, |
| |
다양한 종류의 맞춤형 DOE, 혼합 DOE, 심지어 DOE 증강 모델까지 있습니다. 머신 러닝과 같은 특수 모델의 경우, JMP 신경망, 분할 모델, 그리고 다양한 종류의 스크리닝 모델이 있습니다. |
| |
설문조사 및 소비자 조사를 위해 |
| |
JMP에는 선택 모델과 차이 극대화 설계 모델도 있습니다. |
| |
설계 최적화를 위해 |
| |
왼쪽의 예측 프로파일러에서는 민감도 분석을 수행할 수 있습니다. 몬테카를로 시뮬레이션을 수행하여 부적합한 [들리지 않음]을 시뮬레이션할 수 있습니다. |
| |
백분율. |
| |
중간에, 모델에 많은 요인이 있는 경우, 커스텀 프로파일러는 많은 요인 중에서 최적의 모델을 찾는 데 좋은 선택이 될 것입니다. |
| |
오른쪽은 그룹 직교 과포화 DOE에 대한 것입니다. 이는 다운스트림 옵션을 분석하는 데 매우 강력한 DOE입니다. 또한 DOE 실행 횟수를 최소화하고 비용을 절감하기 위해 차단 요소 또는 개념을 사용합니다. |
| |
예측 모델의 경우 매우 강력한 신경망을 권장합니다. |
| |
변형하고 그것을 만드는 가장 좋은 모델을 찾아보세요 |
| |
더 높은 수준의 훈련과 검증을 받다 |
| |
적합도. 분할의 경우, 이는 이진 분할입니다. 따라서 데이터 세트를 여러 종류의 범주로 분할할 수 있습니다. |
| |
강조하고 또한 주요 기여를 결론짓습니다. |
| |
설계 최적화를 위해 JMP 16에서 사용할 수 있는 일종의 스크리닝 플랫폼도 추천합니다. 오른쪽에 있는 첫 번째 플랫폼은 반응 스크리닝입니다. |
| |
JMP는 다음을 사용합니다. |
| |
FDR(오탐지율)은 예측 모델링의 정확도를 측정하는 지표입니다. 곡선이 계속 낮게 유지된다면, |
| |
즉, 좋은 예측 모델링을 할 수 있다는 뜻입니다. 하지만 이 구간을 넘어가면, 즉 이 구간에서는 좋은 예측 능력이 없다는 뜻입니다. |
| |
가운데는 프로세스 스크리닝입니다. 모든 프로세스 매개변수를 확인할 수 있습니다. 입력 매개변수일 수도 있고, 산출물일 수도 있습니다. |
| |
JMP는 녹색과 빨간색을 사용하여 상향 또는 하향 변동을 식별합니다. 따라서 녹색이나 빨간색이 더 많이 표시되면 정책이 그다지 안정적이지 않다는 것을 의미합니다. |
| |
오른쪽도 매우 강력합니다. 모든 예측 변수의 기여도를 순위를 매겨서, 상위 몇 개, 즉 핵심 예측 변수라고 부르는 몇 가지를 먼저 제공합니다. 이를 통해 근본 원인을 찾거나 해결책을 찾을 수 있습니다. |
| |
소비자 조사를 위해 JMP는 선택 디자인을 가지고 있었습니다. |
| |
소비자가 자신에게 가장 적합한 제품이나 선택을 할 수 있도록 돕습니다. |
| |
차이 극대화 설계의 경우, 이는 다른 설문 설계와 동일합니다. 설문 조사에서는 가장 선호도가 높은 항목과 가장 선호도가 낮은 항목을 선택합니다. 따라서 JMP는 선호도 순위를 매기는 모델을 실행할 수 있습니다. |
| |
마지막 제어 단계에서는 [청취 불가] 프로세스 제어를 확장하고 장기간에 걸쳐 개선을 유지하며 상류에서 하류로 다변수 프로세스 제어를 수행합니다. |
| |
JMP 플랫폼에는 고전적 관리도, 시간 민감형 관리도, 다변량 관리도가 포함됩니다. 소비자 조사에는 다중 요인 분석이 포함됩니다. 또한 분해, 평활화, ARIMA 모형 및 예측과 같은 시계열 분석도 포함됩니다. |
| |
왼쪽의 다변량 관리도에서 변화점 감지를 확인할 수 있습니다. 이 지점은 변화 전후의 가장 큰 대비를 보여주는 지점입니다. [들리지 않음] 이는 무슨 일이 일어났는지, 또는 언제 가장 큰 변화가 있었는지에 대한 근본 원인 분석입니다. |
| |
가장 큰 변화점입니다. 가운데에 T 스퀘어가 있습니다. |
| |
모델 기반 관리도입니다. 이를 통해 고장 모드를 파악할 수 있습니다. |
| |
OOC 지점에 가장 크게 기여하는 매개변수는 무엇인지에 대한 분해입니다. 오른쪽은 다중 요인 분석입니다. |
| |
고유값과 고유 요인 분석을 기반으로 합니다. 친화도 다이어그램과 같은 것이죠. 고유값과 고유 요인을 기반으로 유사한 요인들을 그룹화할 수 있습니다. |
| |
왼쪽의 시계열 분석에서는 모델 진단을 수행할 수 있습니다. 이를 통해 추세의 계절적 및 순환적 요소를 파악할 수 있습니다. |
| |
중간 단계에서는 ARIMA 모델을 사용하여 계절 또는 비계절 모델을 사용하여 데이터를 적합할 수 있습니다. 예측 단계에서는 미래 시점을 예측하는 최적의 모델을 찾을 수 있습니다. |
| |
이 강연의 핵심은 전통적인 6시그마 DMAIC와 학제간 STEAMS 방식이 리더십과 팀 빌딩에 대한 데이터 과학자의 역량을 개발하는 데 도움이 될 수 있다는 것입니다. |
| |
최신 JMP 16 플랫폼은 DMAIC 단계에 매핑되어 데이터 과학 분야에서 6시그마 프로젝트를 구현하는 데 도움을 줍니다. 데이터베이스 관리, 응용 엔지니어링, 통계, 데이터 마이닝, 텍스트 마이닝은 모두 오늘날의 데이터 과학 분석에 매우 중요합니다. |
| |
오늘 프레젠테이션은 이것으로 마치겠습니다. 시간 내주셔서 감사합니다. |
