| 揚聲器 |
抄本 |
| 傑森·威金斯，JMP |
好的，準備好了就去吧。 |
| |
好的。 |
| |
大家好。 |
| |
我叫Charles Chen。今天我們將討論一個有趣的主題，關於使用JMP 16為資料科學家提供的STEAMS和DMAIC課程。 |
| |
我們是三位作者。 Mason Chen 是第一位，我是 Charles，第二位，Patrick 是第三位。我們來自史丹佛線上高中 STEAMS 俱樂部。 Mason Chen 是一名高三學生，也是俱樂部的負責人。我和 Patrick 是俱樂部的顧問。 |
| |
專案概述、機會陳述、傳統六西格瑪 DMAIC 流程，結合跨學科的 STEAMS 方法 |
| |
能夠幫助資料科學家在大數據領域做出更大的貢獻。我們的專案目標是開發一套針對高中生的六西格瑪資料科學培訓課程 |
| |
透過將 JMP 16 平台映射到 DMAIC 階段，一直到業界專業人士。 |
| |
在我們開始之前，聽眾可能會好奇，哎，六西格瑪是專業人士的，資料科學家也是專業人士的。 |
| |
那麼，為什麼我們也提到了高中生的情況呢？這裡我們想以第一作者 Mason Chen 為例進行個案研究。 |
| |
他豐富的經驗始於10歲，開始接受資料科學家培訓，並嘗試取得IBM SPSS和Minitab的認證。 |
| |
他11歲時就獲得了IBM Modeler Data Mining認證。之後，他開始學習JMP，大約在12、13歲的時候。 |
| |
然後是 JMP STIPS、DOE 認證考試以及 JMP 16 文本挖掘。今年他也完成了線性代數的學習。 |
| |
大學課程以及透過我們的課程學習數據科學。今天，我們將根據他的經驗以及顧問的經驗，試著介紹如何使用 JMP 16 來 |
| |
創建六西格瑪資料科學專案。 Mason 未來也打算轉向 R 語言。他嘗試學習 R 語言，這樣他也能學習 JSL 語言。 |
| |
這是梅森兩年前參加 ASA 會議時的照片。 |
| |
我們的專案試圖將 STEAMS 和 DMAIC 連結起來。 STEAMS 是梅森創辦人於 2017 年推出的 STEAM 計畫。 |
| |
傳統的STEM項目。那有什麼差別呢？科學、技術、工程、數學還是一樣的，懂嗎？ |
| |
但我們加入了人工智慧和統計學，所以它變成了STEAMS。數據科學是人工智慧、數學和統計學的熱門組合。 |
| |
傳統的六西格瑪 DMAIC 與 STEAMS 方法論非常契合，非常契合。你可以看到很多深入的思考。 (??) 其他一些解決問題的工具 |
| |
來自 DMAIC。它們也與科學領域，甚至工程領域的問題解決有相當好的對應性。有了數據科學，它們 |
| |
甚至可能更多地從STEAMS轉向DMAIC。因此，我們認為可以基於STEAMS方法論，為高中生開發六西格瑪資料科學課程。 |
| |
因此，第一步是在今年春季早些時候發布 JMP 16 之後，我們將查看整個 JMP 16 平台並確定 |
| |
哪些平台對資料科學家有利？因此，我們基於大數據，提出了三個「V」——容量（volume）、多樣性（variety）和速度（velocity）。 |
| |
並且，基於這三個 V，哪些工具或平台可能非常適合數據科學程序，例如 Graph Builder， |
| |
文本探索器、表格、預測模型、篩選、多元方法、聚類、品質方法、問題求解。現在，我們將所有這些工具對應到 DMAIC 階段。 |
| |
另外，透過學習 JMP 16 平台，我們也試著了解這些 JMP 工具背後的 [聽不清楚]。 |
| |
我們發現資料科學統計可能涵蓋以下模組：第一，針對品質和可靠性工程的傳統DMAIC，例如MSA或SPC。 |
| |
接下來是六西格瑪設計，主要是建模、DOE建模、蒙地卡羅模擬、穩健公差。 |
| |
然後我們發現線性代數對於資料科學非常重要，例如主成分分析或奇異值分解。接下來是資料探勘，包括分類、神經網路、分區或隨機森林。 |
| |
時間序列或預測對於資料科學處理時間資料也非常重要，因此我們發現了諸如 ARIMA 模型。 |
| |
文字探勘也適用於非結構化資料。此外，由於了解客戶的聲音，調查和消費者研究也非常重要。 |
| |
還有如何進行市場區隔。我們發現，所有這些統計數據對於利用 JMP 平台至關重要。 |
| |
然後我們嘗試映射 |
| |
所有這些 JMP 16 平台都與傳統的精益六西格瑪 BB 模組相結合。因此，我們識別了傳統的 BB 模組，並開發了三個 |
| |
培訓項目。 A項目是更傳統的DMAIC黑帶培訓項目，這些項目是與之相關的JMP 16平台。第二個是更現代的資料探勘 |
| |
[聽不清楚] 分類資料。所以我們嘗試將 JMP 16 平台加速到不同的培訓計畫。由於學生或培訓計畫可能有特定興趣，我們可以客製化 |
| |
他們的特殊興趣和領域。 |
| |
從現在開始，我們將嘗試將所有工具或概念對應到 DMAIC 的各個階段。第一階段是定義階段。定義階段的主要概念是嘗試定義問題陳述，包括客戶的聲音或企業的聲音。 |
| |
此外，我們需要用六西格瑪語言定義專案目標和目的，特別是關於品質關鍵指標 CTQ。 |
| |
他們還需要定義成功標準和任何規格限制。 |
| |
同樣在定義階段，團隊建立對於形成、風暴、規範和執行非常重要。 |
| |
以及相關的 JMP 16 平台，例如建立資料庫。查詢產生器非常強大。數據可視化非常重要。 |
| |
資料探勘嘗試對客戶進行聚類。市場研究，例如消費者研究，嘗試進行市場區隔；這非常重要。右側是一個簡單範例，展示了我們如何使用聚類進行市場區隔。 |
| |
聚類親和力分析。我們可以將客戶分組，然後嘗試制定關於行銷重點的策略。 |
| |
第二階段是測量階段。主要關注製程能力和製程穩定性，特別是對於較大規模的製造生產。 |
| |
我們嘗試找三個 |
| |
JMP 的強大工具。第一個是目標圖。目標圖可以將批次間製程能力繪製成二維圖。 |
| |
透過不同顏色的區域，我們知道[聽不清楚]並且它是不合適的。 |
| |
中間的製程效能圖也非常強大，因為它結合了製程能力和穩定性。如果兩個標準都滿足，就會位於左上角，也就是綠色。如果兩個標準都不符合，就會位於左下角或右下角。 |
| |
右邊是進程歷史瀏覽器，可以列出所有歷史 |
| |
過去的表現。透過這種列表，您可以確定哪些因素與收益不佳有關。 |
| |
下一個階段是分析階段。在分析階段，進行根本原因分析，總結複雜的資料集，視覺化並發現模式和見解，分離和篩選重要因素。 |
| |
基於這些分析主題，我們還確定了魚骨圖、製表、文字探索器、基於多元的方法、聚類以及分類回應分析。 |
| |
這張投影片我們來介紹一下帕累托圖。 JMP 16 的帕累托圖可以繪製二維圖，這樣就能找到更多組合（？？）或是不同類型因素之間的模式辨識。 |
| |
魚骨圖對於即時工作來說一直非常強大和有用，您可以。 |
| |
設計或客製化魚骨圖。 |
| |
對於數據匯總，我們強烈推薦 Tabulate。它就像 |
| |
Excel 資料透視表，[聽不清楚]方便且功能強大 |
| |
因為他們還可以添加描述性統計數據。 |
| |
中間，Text Explorer對於分析文字資料庫的功能非常強大，所以他們可以搜尋關鍵字和短語，然後我們甚至可以將文字探勘轉換為資料探勘。 |
| |
右側是分類數據，用於尋找不同類型因素之間的關聯。 |
| |
不同的顏色代表不同類型的變量，因此對於任何一對變量，它們都彼此接近並且遠離原點，這就是高度關聯的重點；這可能會告訴你一些事情或這些變量之間的某種見解。 |
| |
下一階段是改進階段。 |
| |
在改進階段，我們嘗試建立預測模型。我們會根據需要設計新的實驗。我們努力提高產品品質。 |
| |
關於JMP 16平台的預測建模，我們強烈建議「預測刻畫器」或自訂刻畫器。此外，我們還可以 |
| |
我們有不同類型的自訂實驗設計 (DOE)、混合實驗設計 (DOE)，甚至增強實驗設計 (DOE)。對於像機器學習這樣的專用模型，我們有 JMP 神經網路、分區模型，以及不同類型的篩選。 |
| |
對於調查和消費者研究， |
| |
JMP有選擇模型，也有最大化差異設計模型。 |
| |
對於設計最佳化， |
| |
在左側的預測分析器中，我們可以進行敏感度分析。我們可以進行蒙特卡羅模擬，從而模擬不合格的[聽不清楚] |
| |
百分比。 |
| |
中間，如果模型中有很多因素，自訂分析器將是在眾多因素中找到最佳模型的最佳選擇。 |
| |
右側為組正交過飽和實驗設計 (DOE)。這是非常強大的實驗設計 (DOE)，可用於分析下游方案。他們使用阻斷因子或概念來最大限度地減少實驗設計 (DOE) 的運行次數，從而降低成本。 |
| |
對於預測模型，我們推薦使用神經網絡，這是一種非常強大的 |
| |
轉型，並嘗試找到最佳模型來實現 |
| |
獲得更高的培訓和驗證 |
| |
適應度。對於分區來說，這是一個二元分割。因此，他們可以將資料集分成不同的類別，這樣他們就可以 |
| |
重點也總結了（??）主要貢獻。 |
| |
對於設計優化，我們也推薦使用 JMP 16 中提供的某種篩選平台。右側第一個是響應篩選。 |
| |
JMP 使用 |
| |
FDR，即錯誤偵測率，用來判斷你的預測模型有多好。所以，如果你的曲線保持在較低水平，那麼， |
| |
這意味著你有很好的預測模型。當你上升的時候，也就是這部分，你的預測能力就不夠好了。 |
| |
中間部分是流程篩選。您可以看到所有流程參數，包括輸入參數和輸出交付物。 |
| |
JMP 使用綠色和紅色來識別上移或下移。所以如果你看到更多的綠色或紅色，那就代表你的策略不太穩定。 |
| |
右側的功能也非常強大。它會對所有預測因子的貢獻進行排序，所以它會先給出排名靠前的幾個，或者我們稱之為「至關重要的幾個」的預測因子。這樣你就能找到根本原因或解決方案。 |
| |
對於消費者研究，JMP 有選擇設計 |
| |
幫助消費者選擇最適合他們的產品或選擇。 |
| |
對於最大化差異設計，這也是另一種調查設計。在調查中，你會選擇最喜歡和最不喜歡的項目。因此，JMP 可以運行模型來對你的偏好進行排序。 |
| |
對於最後的控制階段，[聽不清楚] 擴大製程控制，長期維持改進，從上游到下游，多變量製程控制。 |
| |
JMP平台將涵蓋經典控製圖、時間敏感控製圖和多元控製圖。消費者研究將涉及多因素分析。此外，還將涵蓋時間序列分析，例如分解、平滑、ARIMA模型和預測。 |
| |
對於左邊的多元控製圖，我們可以找到變化點偵測。這個點能提供前後最大的對比。這些是[聽不清楚]關於發生了什麼或何時發生的根本原因分析， |
| |
最大的變化點。中間是T廣場。 |
| |
模型驅動控制圖。這將提供故障模式， |
| |
分解哪些參數對 OOC 點貢獻最大。右側是多因素分析。 |
| |
基於特徵值和特徵因子分析。這就像一個親和圖。他們可以根據特徵值和特徵因子將相似的因素歸為一類。 |
| |
對於左側的時間序列分析，他們可以進行模型診斷，從而識別趨勢、季節和週期性成分。 |
| |
在中間階段，他們可以使用ARIMA模型來擬合季節性或非季節性資料。在預測階段，他們可以找到最佳模型來預測未來點。 |
| |
因此，本次演講的要點是...傳統的六西格瑪 DMAIC 和跨學科的 STEAMS 方法可以幫助培養資料科學家的領導力和團隊建立能力。 |
| |
現代 JMP 16 平台與 DMAIC 階段相映射，協助在資料科學領域部署六西格瑪專案。資料庫管理、應用工程、統計學、資料探勘和文字探勘對於當今的資料科學分析都至關重要。 |
| |
今天的演講就到此結束，非常感謝大家抽空。 |
