你好， 我的 姓名 是 塔納茲 泰索萊曼。 今天， 我是 去 到 演講 關於 一個 應用 的 JMP 數據 分析 平台 為了 藥物 行業。 這 重點 的 這 推介會 是 去 到 是 在 如何 我們 能 得到 更多的 叉- 等級 洞察力 使用 更聰明 實驗設計 美國能源部 和 然後 如何 我們 能 分析 它 更好的 在 命令 到 尋找 最佳 過程 設定 為了 具體來說， 為了 例子， 藥物 行業。
但 什麼 做 I 意思是 的 叉- 等級 洞察力？ 到 得到 到 那， 讓 我 解釋 這 案件 故事 那 我們 有 完畢 和 一 的 我們的 顧客。 那 他們 是 在 這 階段 的 過程 發展 a 疫苗 生產， 和 他們 通緝 到 描述 這 過程。 如果 是 去 到 劃分 這 不同的 階段 的 疫苗 生產 和 這 過程。 我們 能 分裂 它 進入 二 主要的 階段 的 上游 和 下游。
這 上游 階段 是 這 階段 那 他們 感染 這 主持人 細胞 和 a 有限的 數位 的 病毒 和 然後 保持 它 在下面 a 受控 環境 和 在下面 具體的 過程 狀態 為了 這 病毒 到 生長 和 這 人口 到達 這 目標 等級。 後 那， 他們 有 到 移動 這 材料 到 這 下一個 單元。 我們 稱呼 它 下游 單元 為了 純化 和 這 配方 到 製作 這 疫苗 準備好 為了 這 注射 和 去 出去 到 這 市場。
這 顧客 是 聚焦 在 這 過程 發展 的 這些 二 階段， 意義 那 他們 需要 到 描述 這 過程。 在 命令 到 做 那， 他們 需要 到 確認 是什麼 這 最多 重要的 參數 為了 每個 的 這些 單位， 兩個都 上游 和 下游 使用 實驗設計。 T 母雞 後 那， 收集 這 數據 到 是 有能力的 到 模型 這 過程 為了 每個 個人 單元， 和 然後 使用 這 模型 到 尋找 這 最佳 強壯的 環境 為了 每個 的 他們。
它是 a 非常 典型的 任務 之內 這 生物產業 到 分裂 這 過程 進入 主要的 單位 和 然後 描述 每個 單元 單獨地。 M 最 的 這 案例， 這 特徵描述 是 不是 影響 經過 每個 其他。 所以 他們 是 完全地 獨立的 任務 和 實驗設計。
保持 這 在 頭腦， 這 議程 的 這 演講 是 去 到 是 在 如何 我們 能 製作 這些 做 更多的 描述性的 和 更多的 綜合的 到 有 這 最高 或者 更多的 資訊 關於 不同的 等級 的 這 過程， 和 然後 然後， 如何 我們 能 使用 JMP 數據 分析 平台 到 第一的 模型 這 數據 和 然後 使用 這 模型 到 最佳化 這 過程。
我們開始吧 開始 和 這 實驗設計 為了 這 具體的 案件 研究。 W e 開始 和 實際上 跑步 一些 研討會 和 這 團隊 未來 從 兩個都 上游 和 也 下游。 T 母雞 我們 有 一些 研討會 到 只是 計算 出去 什麼 是 這 最多 重要的 因素 或者 參數 在 他們的 過程。
我們 可以 容易地 看， 在 這 第一的 瞥了一眼， 那 我們 是 結束 向上 到 a 非常 高的 數位 的 因素 那 幾乎 它是 不可能的 或者 它是 出去 的 這 預算 到 跑步 這樣的 a 大的 實驗設計。 W e 有 到 狹窄的 它 向下 和 開始 得分 每個 的 這些 參數 基於 在 這 重要性 和 如何 很多 他們 各不相同 之內 a 普通的 生產 和 然後 如何 它 會 是 這 舒適 的 改變 為了 每個 的 這些 因素。 W e 可以 分數 它 第一的 和 然後 狹窄的 這 數位 的 範圍 到 八 為了 每個 的 這些 單位。
後 那， 我們 可以 容易地 也 之內 那 車間， 可以 看 這 高的 影響 的， 為了 例子， 上游 結果 在 這 下游 單元 只是 因為 這些 二 單位 是 高度 連接 一起 和 他們 能 容易地 影響 每個 其他。 意義 那 如果 他們 通緝 到 描述 a 下游 分別地 和 尋找 這 最佳 環境， 最多 大概 它 不能 工作 作為 最佳 作為 他們 預期的 因為 它 能 高度 影響 經過 這 結果 的 上游 單元。
它是 更好的 到 有 它 反而 的 二 個人 或者 獨立的 實驗設計， 擁有 a 聯合的 美國能源部 覆蓋 兩個都 側面 一起 和 也 封面 這 相互作用。 那 給予 我們 a 非常 好的 叉- 因素 概述 之內 我們的 實驗設計 和 幫助 也 在 這 相同的 時間 到 最小化 這 數位 的 跑步 那 他們 製作。 A 也 獲得 也 很多 更好的 隨機化 因素 為了 我們的 跑， 的 課程， 在下面 實際的 監督。
如何 我們 有 完畢 這 理論？ 前 I 跳 到 這 示範 那 I 通緝 到 展示 你， 讓 我 給 你 一些 資訊 關於 這 限制 那 我們 有 在 這 理論。 F 第一 的 全部， 每個 上游 批次 可以 直接地 去 到 一 下游 批。 但 在 這 下游， 他們 有 這 可能性 到 跑步 二 反應爐 在 平行線 到 增加 這 容量 的 下游。
但 這 最大 限制 他們 有 在 這 下游 曾是 那 什麼時候 他們 是 跑步 那些 平行線 反應爐 二 的 這 設計 因素 有 到 是 放 這 相同的 為了 那些 二 平行線 反應爐。 為了 例子， 在 這 案件， 他們 有 到 保持 這 酵素 時間 和 抓住 向上 時間 在 這 下游 持續的 在 兩個都 平行線 反應爐。
然後 也 它 曾是 非常 重要的 到 有 a 恰當的 時間 規劃 之間 上游 和 下游， 意義 那 他們 不能 有 a 大的 落後 從 這 精加工 的 這 上游 批次 直到 它 到達 到 這 下游 批。
也 之間 這些 二 階段， 我們 可以 確認 a 因素 稱為 最初的 細胞 密度 那 是 大多 未來 從 上游， 那 它 曾是 a 常見的 因素 之間 這些 二 單位。 W e 稱呼 它 作為 a 一對 因素 到 加入 這些 二 做 和 連接 這些 二 做 進入 一 複雜的 一。
到 開始 那， 我們 也 需要 到 理解， 好的， 什麼 是 這 最低限度 數位 的 上游 批次 或者 下游 批次 我們 需要？ S 薄的， 作為 你 能 看 這裡， 他們 兩個都 有 八 設計 因素， 但 自從 這 下游 過程 有 這 額外的 限制 在 我們的 設計， 那 會 是 這 一 控制 這 最低限度 數位 的 實驗。 那是 為什麼 I 開始 這 美國能源部 經過 尋找 在 這 下游 過程。
我們開始吧 有 a 看 在 這 演示。 作為 你 能 看 這裡， 這些 是 這 設計 因素 那 我們 有 為了 這 下游 單元。 I 想 到 知道 如何 許多 最低限度， 如何 許多 實驗 或者 徽章 做 I 需要 從 上游 到 是 有能力的 到 覆蓋 全部 這 必需的 徽章 或者 實驗 I 跑步 在 我的 做。
開始 和 風俗 設計， 然後 I 能 載入 我的 因素。 這些 是 全部 因素 那 I 有 為了 下游。 加 I 需要 到 添加 我的 最初的 細胞 密度， 這 部分 因素 那 來 從 上游 批次。 作為 你 能 看 這裡， 幾乎 全部 的 這些 因素， 這 變化 是 放 作為 簡單的 除了 這 耽誤 時間 和 也 酵素 時間， 哪個 是 這 二 因素 那 I 想 到 保持 他們 相似的 為了 這 二 跑步 批次 在 平行線。
和 這 環境， I 能 是 當然 那 那些 批次 是 放 到 有 這 相同的 抓住 向上 時間 和 酵素 時間。 而且， 我是 有興趣的 在 這 主要的 影響 在 我的 模型 和 這 互動。 我們開始吧 有 a 看 這裡。 作為 你 能 看， 一些 的 他們， 這 互動 是 放 在 如果 可能的， 哪個 I 想 到 有 他們 作為 必要的。 和 我們 是 好的 這裡。
作為 你 能 看 這裡， JMP 建議 我 那 你 需要 最低限度 19 實驗 在 a 下游 到 覆蓋 為了 這些 互動。 T o 是 安全的， 我們 總是 想 到 有 一 最低限度 額外的 在 頂部。 T 有 給予 我 20 實驗 或者 20 上游 批次 作為 這 最低限度 開始 觀點 為了 上游。
好的， 然後 我們來吧 有 a 看 在 我的 上游。 這些 是 我的 上游 因素 和 I 能 載入 它 在 我的 風俗 設計。 I 是 也 這裡 有興趣的 在 二 互動。 S 薄的 我們 說 那 我們 想 到 有 20 上游 實驗， I 能 指定 作為 a 使用者 如何 許多 實驗 I 想。 T 母雞 I 能 製作 這 設計 經過 緊迫 這 一。
到 節省 這 時間， I 已經 已儲存 這 設計 和 讓 我 帶來 它 向上 這裡。 這 是 這 實驗 設計 為了 我的 上游 在 這 第一的 等級。 現在， I 想 到 使用 這 設計 到 設計 我的 下游 實驗。 到 做 那， I 去 後退 到 我的 設計 因素 為了 下游。 A 獲得， 風俗 設計。 I 將要 載入 我的 因素 作為 I 想 他們 到 是。
N 哦， I 想 到 包括 這 設計 實驗 為了 上游 在 我的 實驗。 如何 I 做 那 是 那 I 第一的 選擇 那 設計 窗戶 和 然後 I 能 就這麼叫它。 I 能 選擇 這 相干 因素， 和 然後 進口 那 實驗 也 在 我的 設計。 A s 你 能 看 這裡， 這些 是 這 實驗 那 曾是 設計 為了 這 上游， 和 他們 是 放 作為 a 協變數 .
更多的 比 步 是 那 I 想 到 有 全部 我的 下游 參數 加 我的 最初的 放 密度。 I 想 到 看 在 他們 也 在 交互作用 模式。 但 這 因素 那 來 從 上游， I 保持 他們 作為 a 主要的 影響。 作為 你 能 看 這裡， 那裡 是 一些 仍然 在 如果 可能的， I 需要 到 是 當然 那 他們 是 放 作為 a 必要的 一。
然後 自從 I 已經 包括 a 設計 實驗， 然後 I 能 排除 這 因素 那 I 有 從 上游。 或許 I 能 只是 消除 他們 全部 這裡 再次。 添加 這 主要的 因素， 這 第二 命令， 和 然後 這 因素 從 上游 僅有的 作為 a 主要的 因素。
然後 I 能 選擇 他們。 如果 I 去 向上 這裡 和 說 灌注 速度， 這 一， 這 一， 和 這 一， 這些 是 這 因素 是 未來 從 我的 上游， 和 I 能 放 他們 作為 如果 可能的。 只是 到 是 當然 那 I 有 一切 包括 在 這 一 和 這 一 有 到 是 也 如果 可能的。 I 不 需要 到 力量 它 在 這 設計 不再 因為 它是 已經 包括 那裡。 現在， I 能 放 它 到 有 10 所有的 圖表 和 20 跑步 這裡 和 製作 這 設計。
到 節省 這 時間 再次， I 有 製成 這 設計 和 這 會 是 這 結果。 現在 這裡 I 有 a 合併 美國能源部 兩個都 上游 和 下游。 這 好的 部分 關於 它 是 那 現在 I 有 a 柱子 稱為 所有的 陰謀 那 它 說 那 為了 這 相同的 數字， 意義 那 它 說 那 每個 平行線 單元， I 有 a 固定的 耽誤 時間 和 這 酵素 時間。
作為 你 能 看 這裡 那 它 變化， 它 保持 持續的 之間 每個 二 對。 我是 結合 兩個都 設計 上游 和 下游 現在 進入 一 單元。 然後 I 能 也 優先考慮 哪個 上游 單元 有 到 是 跑步 第一的 到 是 有能力的 到 保持 這 時間 平衡 之間 這 上游和 下游， 和 也 有 所以 很多 靈活性 在 保持 這 狀態 固定的 之間 這 平行線 專家。 這 可以 給 我 a 非常 好的 概述 的 兩個都 等級 和 然後 兩個都 階段 一起。
我們開始吧 去 後退 到 這 幻燈片。 N 現在 我們 有 a 好的 實驗設計 覆蓋 兩個都 階段。 現在 我們來吧 有 a 看 如何 我們 能 做 這 分析 一起。 但 到 節省 這 時間， 我是 去 到 僅有的 看 在 這 上游 過程 和 看 在 這 數據。 T 他 目的 是 那 現在 I 想 到 模型 這 生長 階段 的 這 病毒 在 這 上游 和 使用 這 動力學 造型。
然後 後 I 尋找 那 模型， 然後 I 能 尋找 這 最佳的 過程 狀況 為了 上游。 如何 能 使用 這 功能 建造 向上 在 JMP？ T 他的 是 我的 數據 放 在 這 片刻， 它是 a 歸一化 數據 放 那 我們 有。 A s 你 能 看 這裡， 這 是 這 數據 那 我們 集 期間 這 實驗。 它 曾是 30 不同的 批次。
T 母雞 我們 跑 不同的 流程 和 我們 監測 這 生長 階段 的 病毒 超過 不同的 天 和 不同的 狀況。 和 然後 我們 可以 看 如何 這 病毒 人口 建造 向上。 U 榮譽 一些 狀況 後 a 儘管， 這 病毒 人口 開始 到 降級 或者 去 到 這 死的 空間。
N 現在 我們 想 到 描述或建模 這 輪廓 或者 這 生長 階段 的 這 病毒 到 是 有能力的 到 預測， 好的， 什麼 會 是 這 最好的 組合 的 細胞， 病毒, 這 環境的 狀態, 和 也 如何 許多 天 做 我們 需要 到 跑步 在 這 上游？
到 做 那， JMP 有 a 非常 好的 特徵 在 這 專門 造型 和 合身 曲線。 I 能 放 和， 這 屈服 是 這 病毒 專注 或者 人口 超過 時間， 作為 和。 X 作為 我的 天 和 這 批次 數位 和 這 因素 那 是 控制 我的 過程， 哪個 是 這 孵化器， 這 溫度 和 這 最初的 病毒 專注 在 這 對數 規模。
擬合曲線 給予 我 a 非常 好的 最初的 概述 的 如何 每個 的 這些 批次 建造 向上 超過 時間 單獨地。 但 然後 現在 I 想 到 模型 這些 批次 或者 這些 特徵， 這 動力學 模型。 我們 有 a 非常 好的 選項 這裡 在 JMP 那就是 稱為 指數 生長 和 衰變 和 然後 合身 細胞 生長。 所以 它是 a 內建- 在 圖書館 那 你 能 容易地 選擇 和 然後 你 能 合身 a 物流 生長 模型 到 你的 輪廓。
作為 你 能 看 這裡， 這 細胞 生長 模型 嘗試 到 合身 這 功能 到 每個 的 我的 曲線， 覆蓋 的 Y0 , 哪個 是 最初的 病毒 專注， YM 斧頭 是 這 最大限度 達到 病毒 專注， 和 然後 分配 速度 和 然後 死亡 速度。 T 母雞 它 給予 你 a 好的 概括 的 每個 的 這些 批次， 和 這 是 這 有效的 發展 的 每個 的 這些 範圍 為了 每個 的 這 批次。
但 然後 I 想 到 有 一 額外的 更遠， 只是 計算 出去 如何 是 這 過程 範圍 影響 每個 的 我的 因素 這裡。 T 母雞 在 專業版 版本 的 JMP， 那裡 是 a 非常 好的 選項 稱為 曲線 美國能源部 A 分析 那 給予 你 這 選項 到 分析 什麼 因素 影響 每個 的 我的 過程 範圍 的 YM 斧頭， 為了 例子， 分配 比率 或者 死亡 速度 或者 所以 在。
作為 你 能 看 這裡， 它 給予 你 a 合併 窗戶 那 為了 每個 的 這些 四 參數， 它 給予 你 a 可能性 到 使用 這 廣義 回歸和 然後 嘗試 到 分析 或者 模型 每個 的 他們 單獨地。 作為 一個 例子， 你 看 那 為了 YM 斧頭，我 能 看 這 溫度 和 最初的 病毒 專注 有 a 重要的 影響 和 孵化器 是 不是 在職的 相似的。 你 真的 得到 a 好的 概述 的 這 不同的 參數 和 東西.
或者 如果 I 去 為了 死亡， I 看 在 這 Profiler， I 看 也 如何 會 是 這 影響 的 這些 二 因素 在 每個 的 這 孵化器， 為了 例子。 它 有 a 非常 好的 使用者 介面 到 結合 全部 這些 分析 一起 和 給予 你 a 非常 好的 概述 的 不同的 因素 和 他們的 影響 在 我的 過程。
但 也 給予 你 a 好的 分析器 在 這 底部 這裡 那 給予 你 好的 資訊 關於， 好的， 如果 I 改變 我的 培養箱 和 溫度 和 我的 最初的 病毒 專注， 如何 做 它 影響 我的 屈服？ T 母雞 如果 我打算這麼做，因為 例子， 抵達 到 我的 目標 之內 一半 a 天， 如何 應該 是 我的 過程 狀態? T 母雞 I 能 容易地 使用 這 期望值 功能 這裡 和 最大化 它。
什麼 I 能 看 這裡， 如果 I 想 到 抵達 我的 目標 和 得到 這 最大限度 病毒 專注 之內 一半 a 天， I 有 到 開始 和 這 最高 最初的 病毒 專注 和 最高 溫度。雖然我 f I 給 它 更多的 時間 和， 為了 例子， 說 那 它是 美好的， I 能 跑步 我的 上游 和 二 和 a 一半 天， 然後 這 情況 會 是 不同的。
你 會 說 那， 好的， 到 得到 這 更高 屈服， 你 需要 到 開始 和 這 降低 細胞 密度 或者 病毒 密度， 和 然後 病毒 那 喜歡 那 高的 溫度。 那是 為什麼 你 應該 去 和 a 降低 溫度。 它是 a 非常 好的 直覺的 方式 到 只是 玩 大約 和 不同的 因素 和 然後 基於 在 這 能見度 的 你的 系統 和 也 這 實用性 那 你 有 在 你的 過程， 然後 你 能 美好的 調 和 尋找 這 最佳 強壯的 過程 狀態.
這 是 極好的。 但 這 最大 問題 那 I 有 和 這 曲線 美國能源部 分析 是 那 我是 遺失的 一些 非常 好的 功能 在 這 標準 造型 部分 的 它， 哪個 如果 I 去 為了 診斷 陰謀， 為了 例子， 我是 遺失的 這 數位化 殘餘 陰謀 那 幫助 我 到 尋找 外 是， 哪個 I 不能 確認 如果 I 做 有 外 是 這裡 或不。
或者 如果 I 做 需要 到 申請 一些 轉型 喜歡 p 很多 轉型 或者 所以。 I 真的 錯過 那些 功能 在 這 部分， 但 I 仍然 有 一個 選項 到 補償 那 遺失的 和 提取 這 概括 出去 和 然後 嘗試 到 模型 每個 的 這些 參數 單獨地。 但 我們來吧 做 那。
I 提取 那 範圍， 作為 你 能 看 這裡， 這 團體 概括 範圍， 和 I 提取 他們， 和 然後 I 額外 到 我的 數據 桌子。 現在 I 能 有 a 看 在 每個 的 他們 單獨 和 製作 這 分析 以及 到 只是 計算 出去。
為了 例子， I 將要 去 為了 Y0 , 和 然後 你 有 這 選項， 如果 I 去 這裡， 到 只是 申請 你的 自己的 常規 的 造型 和 然後 包括 全部 這 因素 和 使用 廣義 回歸 和 然後 移動 在 和 計算 出去 如果 你 需要， 為了 例子， 到 申請 它 在 轉型 或者 消除 任何 異常值。 然後， 為了 例子， 如果 I 看 在 這 一， 如果 I 看 在 YMax 模型 和 I 嘗試 到 模型 它 在 a 普通的 常規， I 能 看 那， 為了 例子， I 做 有 一 出去 說謊者 那 I 有 到 消除 它。
或者 為了 例子， I 需要 到 申請 一些 轉型 在 我的 數據 到 清除 它 出去 第一的 和 也 到 製作 它 更多的 歸一化 和 然後 包括 它 在 我的... 然後 移動 在 和 我的 休息 的 這 分析。 但 然後 如果 I 比較 這裡， 為了 例子， 現在 I 想 到 消除 這 異常值 這裡。
現在 我是 移除 這 異常值 這裡。 然後 I 看 那 I 不 需要 任何 更多的 圖表 曲線 轉型 後 移除 這 異常值。 什麼 I 看 這裡， 這 是 去 到 是 這 輪廓 從 a 普通的 或者 標準 方法 的 造型 的 每個 的 這 參數。 儘管 如果 I 來 後退 到 這 部分， I 曾是 遺失的 那 分析 和 所以， 什麼 I 可以 得到 出去 的 它 曾是 這樣的 a 分析器 因為 I 仍然 有 我的 異常值 在 這 數據 放 和 I 不能 看 就是。 母雞 它 曾是 未來 和 某物 別的。
如果 I 做 這 第一的， I 做 我的 最初的 檢查 和 然後 I 能 來 後退 這裡 在 我的 圖片 和 然後， 為了 例子， I 能 申請... I 第一的 需要 到 消除 這 再次， 關於 移動 合身。 和 然後， 為了 例子， I 能 申請 我的 當地的 數據 篩選 和 排除 我的 異常值 和 然後 做 這 造型 部分 的 它。 和 然後， 為了 例子， 和 移動 和 這 其他 部分。
I 有 這 選項 到 做 這。 和 的 課程， I 做 有 這 選項 到 力量 因素 在 模型 發射， 作為 那就是 受控 和 力量 學期， 到 力量 一些 因素 那 I 可以 看 在 我的 以前的 分析 那 I 有 到 有 它。 到 開始 和。 I 有 這些 二 選項 到 補償 為了 這 遺失的 診斷 部分 在 這 分析。
但 在 一般的， 那就是 a 完美的 工具 到 有 a 非常 好的 概述 關於 什麼 可以 是 這 潛在的 因素 影響 在 我的 過程。
好的。 到 總結 如何 我們 能 使用 這 功能性， 作為 你 能 看 這裡， 我們 開始 和 配件 a 曲線， 和 然後 我們 提取 這 模型 範圍， 和 然後 我們 可以 調查 每個 的 那些 範圍 單獨地 和 然後 任何一個 我們 力量 這 重要的 因素 在 這 合身 曲線， 或者 排除 這 異常值， 和 也 只是 預先 申請 任何 轉型 那 是 需要 和 然後 你 能 得到 a 合併 概述 作為 這樣的 在 這 合身 模型。 這 去 到 是 a 非常 好的 分析和 a 非常 有用 包裹 的 功能 為了 我們的 案件。
到 總結， 什麼 我們 有 完畢 是 那 I 真的 通緝 到 強調， 第一的 的 全部， 它是 非常 重要的 到 知道 這 複雜 的 這 系統， 尤其 什麼時候 我們 有 相互影響 和 一些 不同的 等級 的 流程 那 他們 是 互動 部分 一起 前 移動 在 為了 一些 做 那 他們 是 獨立 在職的 和 他們 是 獨立 用過的 到 描述 這 系統。
嘗試 到 結合 這些 做 進入 一 相干 一 因為 它 真的 給予 你 a 好的 概述 的 多- 層 互動 和 也 給予 你 a 很多 的 資訊 那 你 錯過 在 實踐 如果 你 跑步 一些 獨立的 做。
然後 JMP 也 給予 你 a 很多 的 靈活性 在 大樓 向上 這些 做 和 也 實施 a 很多 的 實用性 資訊 在 你的 做。 T 母雞 在 這 結尾 也, 我們 可以 看 那 如何 不同的 數據 分析 功能和 也 建造 在 圖書館 可以 幫助 到 描述 這 不同的 過程， 具體來說， 為了 例子， 在 這 案件， 它 曾是 這 自己- 生長 過程， 和 如何 我們 能 使用 一些 非常 強大的 工具， 尤其 在 JMP 專業版 和 也 如何 我們 能 相互影響 和 其他 標準應用 那 你 有 在 JMP 到 補償 為了 一些 遺失的 特徵 在 這 JMP 專業版 先進的 分析 工具箱。 和 那， I 想 到 感謝 你 所以 很多 為了 你的 注意力 和 I 希望 你 喜歡 這 推介會。
