今天
是
去
到
是
说
关于
使用
跳转，
我们的
最喜欢的
软件
和 申请 它 到 a 真实的- 世界 问题 在 我们的 分析 科学 部门
在 阿米瑞斯 哪个 是 a 信必优 公司。
前 我们 跳 进入 那， I 通缉 到 介绍 我 作为 出色地 作为
斯科特， WHO 帮助 我 沿着 这 旅行。
我是 斯蒂芬， 我是 一个 联系 导演 的 研发 D 数据 分析A 桃金娘。
I 有 十二 年 的 行业 经验，
a 很多 的 各种各样的 背景， 我已经 工作 在 各种各样的 实验室
从 分析 化学 到 发酵 科学 和 在 更多的 最近的 年
专注 更多的 在 这 质量 和 数据 科学 边 的 事物。
斯科特 有 帮助 我进来 a 很多 的 这 内容 这里
和 有 到过 在职的 和 阿米瑞斯 为了 a 数字 的 年
和 他 是 一 的 这 跳转 优点 在职的 用于 JMP。
ID 喜欢 到 开始 离开 经过 只是 说 感谢 你 到 斯科特 为了 帮助 我们 出去 这里。
是 去 到 分裂 这 讲话 今天 进入 三 部分。
我是 去 到 给 a 少量 的 背景 和 语境 两个都 在 合成的 生物学，
如果 你 没有 听到 的 那 前， 和 分析 化学。
这 主要的 部分 的 这 讲话 是 真的 去 到 是 专注 在 然后 申请 跳转
到 a 具体的 问题 我们 有 和 然后 最后 出色地 裹 它 向上
简要地 接触 在 自动化 和 然后 这 影响
的 这 分析 和 这 案件 学习 出色地 看 在 一起。
S 奥梅 的 你 可能 不是 是 熟悉的 和 合成的 生物学
或者 分析 化学 和 I 真的 喜欢 到 理解
语境 和 背景 和 是 去 到 是 相对地 重要的
为了 这 案件 学习 我们 看 在， 出色地 重点 在 那 今天 和 开始 那里。
S 合成的 生物学 真的 杠杆 微生物，
作为 我们 喜欢 到 称呼 他们， 作为 活的 工厂。
我们 使用 主要 酵母 在 这 案件 的 阿米瑞斯 那 我们 精确 工程师，
和 我们 使用 这 过程 的 发酵， 哪个 是 不是 a 新的 事物 它是 某物
人们 有 到过 使用 为了 数千 的 年， 主要 到 制作 酒精
和 面包 在 a 很多 的 案例。
在 我们的 案件， 是 使用 这 酵母 在 发酵，
喂食 它 糖 和 转换 那 糖 进入 a 种类 的 目标
原料 和 化学品。
那些 原料 和 化学品 我们 能 然后 制作
更高 纯度 所以 他们 可能 是 更高 表演 降低 成本
和 在 a 更多的 可持续的 时尚。
到 给 一个 例子， 这 不是 只是 a 仙女 故事。
这 是 现实， 它是 不是 一个 主意， 我们 有
18 分子 今天 那 我们 生产 在 规模 和 我是 显示
a 子集 的 那些 这里。
有 一个 例子 在 这 顶部 左边 你 有 青蒿素。
那是 一个 抗疟药 药品， 它 曾是 我们的 第一的 分子
和 那是 如何 我们的 公司 曾是 成立。
在 这 顶部 中间， 我们 有 生物芬 哪个 是 实际上 a 强大的
建筑 堵塞 那 我们 然后 转变 进入 其他 化学品 和 应用程序。
一 例子 存在 角鲨烯 哪个 是 a
非常 受欢迎的 润肤剂 用过的 在 这 化妆品 行业
和 传统上 是 来源 从 鲨鱼 肝脏
和 一 那 可能 是 熟悉的 在 这 底部 中间， 我们 有 广藿香。
一些 人们 联系 那 和 这 嬉皮士 闻， 它是 a 香味，
但 它是 实际上 真的 无处不在 在 这 香味 行业
作为 a 根据 笔记， 所以 它 去 进入 数千 的 产品。
事物 喜欢 潮 洗涤剂 有 广藿香 在 它 和 我们 能 生产 这，
哪个 是 传统上 提取 从 植物
和 我们的 合成的 生物学 平台。
I 工作 在 这 研发 功能， 和 所以 我们的 目标 是 真的 到 确认
这 最好的 E 菌株 那 我们 能 然后 使用 在 制造业 规模，
和 那 需要 研究 在 规模。
我们 跑步 高度 自动化 a 很多 的 高的- 吞吐量 工作流程
在 阿米瑞斯 在 埃默里维尔 和 所以 从 这 左边 那里 我们 开始 筛查
我们的 酵母 菌株
在 a 容量 的 关于 60万 菌株 每 月。
我们 拿 那些 顶部 表演者 和 我们 推动 他们
到 什么 我们 称呼 我们的 长椅- 规模 生物反应器 发酵，
哪个 你 能 看 图为 在 这 正确的 那里。
自始至终 全部 的 这， 是 创造 a 很多 的 菌株，
哪个 方法 我们 还 需要 到 理解 什么是 正在发生 在 那些 菌株，
什么 是 他们 生产， 如何 很多， 和 那是 真的 在哪里 分析 来 在。
那些 分析 需要 到 是 跑步 在 a 规模 到 匹配 那 所以 我们 能 真的
得到 这 数据 到 理解 什么是 正在发生。
和 这 规模 的 研究， 有 a 很多 的 机会，
和 a 很多 的 那些 机会 来 从 寻找 在 传统的
方法 和 重新考虑 如何 到 做 那些。
我会谈谈 a 小的 少量 关于 分析 化学。
再次， 那是 不是 任何事物 那是 独特的 到 合成的 生物学。
它是 普遍 在 a 很多 的 行业， 石油 行业，
环境的 科学， 制药， 非常 常见的 方式 只是 到 措施 事物。
患病的 讲话 这里 真的 关于 色谱法，
和 作为 一个 例子， 患病的 拿 发酵 那 我们 做 在 这 生物反应性 规模。
从 这 发酵， 是 去 到 样本 那 尽管 它是 跑步。
是 去 到 得到 a 肮脏的 样本 从 那 哪个 我们 然后 能 更远
准备 和 稀。
我们 有 这 混合物 的 成分 在 这 最终的 形式。
出色地 然后 拿 这 混合物 的 成分，
出色地 跑步 它 穿过 一些 分离 技术。
那是 a 色谱仪。
什么 那是 去 到 做 是 基于 在 这 财产 的 那些 成分，
可能 是 尺寸， 它 可能 是 极性， 它会 允许 我们 到 分离 那些 出去。
我们 然后 喂养 那 进入 一些 检测 机制。
有 a 种类 那 你 能 使用 和 什么 那 给出 你 是 a 分离
的 这些 成分 超过 时间 和 然后 一些 强度 的 回复。
这 最后的 片 和 在哪里 是 去 到 重点 今天
是 强度 不是 真的 a 有用 事物 为了 你 或者 我 到 制作 决策 在。
我们 需要 到 翻译 那 进入 某物 有用 喜欢 a 专注。
这 校准 曲线 允许 我们 到 翻译
那 强度 进入 a 专注，
和 的 课程， 你 能 想象 如果 你 得到 那 翻译 错误的，
你的 数据 是 去 到 是 错误的 和 它是 去 到 误导 你。
校准 曲线 是 在哪里 出色地 重点 今天，
和 那是 这 心 的 这 问题。
A 校准 曲线 是 创建， 经过 跑步 标准 和
变化 级别 的 你的 已知 成分。
这 例子 我是 显示 这里，
我们 有 a 低的 中- 高的， 所以 a 三 -级别 校准。
我们 知道 什么 这 专注 是 在 那些 因为 我们 准备好 他们，
和 我们 措施 这 回复 在 这些 乐器。
从 那里， 我们 能 合身 一些 校准 曲线。
在 这 例子， 我是 显示 只是 a 简单的 线性 合身，
和 然后 我们 能 跑步 未知 样品，
读 这 回复 离开 我们的 乐器 和 做 一个 逆 预言。
是 服用 我们的 回复 从 这 Y 和 预测 什么 这 数量是
在 那 样本。
它是 a 非常 常见的 方式 到 是 有能力的 到 量化 事物 在 未知 样品。
那是 我们的 背景。
是 去 到 跳 进入 这 案件 学习 寻找 在 这 钥匙 问题
我们 有 大约 优化 a 部分 的 我们的 过程 在 我们的 分析。
一点 更多的 背景 这里 是 那 什么时候 我们 做 校准 在 我们的 实验室，
有 a 成本 联系 维护 的 这些 校准
和 校准 曲线 和 校准 标准 是 昂贵的，
两个都 到期的 到 人民的 时间， 但 还 材料。
这些 材料 能 经常 成本 数千， 甚至 十 的 数千
的 美元 每 克。
和 这 规模 那 是 正在做 我们的 研究 在， 它 真的 推动 我们
再次 到 重新考虑 那些 传统的 方法。
是 跑步 百万 的 样品 每 年， 和 我们 有 a 真的 各种各样的
放 的 分析 方法 所以 我们 有 现在
在 我们的 实验室 在 埃默里维尔
超过 100 不同的 分析 方法 测量 全部 成分。
一 地方 我们 看起来 在 是 传统上。
我们 看 这 和 最多 人们 我们 聘请， 这 是 在哪里 人们 开始。
传统上 校准 曲线 经常 有 五 到 七 级别，
无论 他们是 线性 或者 不是。
我们 思考 关于 他们 说， 好的， 五 到 七 级别， 线性 合身。
在 理论， 这 最多 你 可能 需要 是 或者 这 最低限度 你 可能 需要 是 二
和 有 a 成本 到 每个 额外的 等级，
两个都 在 材料 和 准备 成本 和 维护。
这 是 在哪里 我们 通缉 到 看 和 问 这 问题，
看， 能 我们 实际上 减少 这 数字 为了 一个 现存的 方法
没有 重要的 影响 在 我们的 实际的 数据 质量？
这 方式 我们 量化 我们的 未知 样品。
这 是 在哪里 跳转 来 在， 是 去 到 使用 跳 这里 到 模拟
一些 选择 校准 计划， 在 这 案件，
减少 这 数字 的 级别 的 校准
和 到 重申 什么 我们已经 走了 通过 我们的 问题 最终 是 那
校准 维护 是 昂贵。
那是 恼怒 经过 这 规模 我们 做 它 在。
我们的 一般的 方法 是 真的 去 到 是 到 看 在 如何 能 我们 优化 这。
让我们 看 在 减少 这 级别 的 那些 校准，
和 然后 我们的 具体的 解决方案 是 使用 JMP 这里
到 问 这 问题， 看， 如果 我们 去了 后退 在 时间
如果 理论上， 我们 有 跑步 二 校准器 或者 三 校准器
反而 的 六 或者 七， 如何 会 那 有 受到影响 我们的 数据？
我们的 案件 这里， 是 去 到 重点 在 a 单身的 方法 今天。
这 是 a 真实的 方法 我们已经 到过 跑步 为了 关于 六 个月。
我们 有 22 批次 的 样品 我们已经 跑步 在 这 方法，
所以 它是 关于 1000 样品。
我们的 现存的 校准 I 展示 这里 在 这 正确的 是 a 线性 校准。
它 有 六 级别 和 我们已经 估计的 如果 我们 能 减少 这
到 这 最低限度 的 二 级别， 我们 可以 节省 一个 估计 的 15,000美元 a 年。
有 a 真实的 可衡量 动机 到 理解 如果 我们 能 追求 这。
显示 这里 这 一般的 工作流程 那 我们 来了 向上 和。
我是 去 到 去 通过 这 真的 迅速地 正确的 现在 但 不 担忧。
是 去 到 走 通过 它 步 经过 步 一起。
是 真的 去 到 只是 拉 这 历史 数据。
是 去 到 重新创建 我们的 历史 校准 在 跳转 到 证实 什么
是 正在做 在 跳转 火柴 什么 我们已经 完毕 从历史上看，
和 然后 是 去 到 说， 好的， 让我们 排除 一些 的 这些 级别，
重新创建 这 校准 和 那些 减少 级别，
和 然后 评价 什么 影响 那 有 在 我们的 目標。
现在， I 思考 在 这 案件 它是 还 真的 重要的 到 强调 你 看，
我们 有 二 经过- 失败 叉子 在 这 路。
经常 什么时候 是 正在做 分析
在 数据 在 手， 是 寻找 为了 统计 意义
和 研究 喜欢 这， 它是 真的 重要的 到 决定 什么 你的 实际的
要求 是。
在 这 案件， 什么 做 那 意思是？
是 说 关于 影响 在 这 测量 的 未知 样品。
最终， 我们 想 到 制作 当然 那 减少 这 校准 是 不是 去
到 偏见 这 测量 在 一 方式 或者 这 其他。
我们 想 这 测量 到 是 这 相同的。
作为 许多 人们 将要 告诉 你， 这 相同的 是 不是 真的 a 可量化 事物，
它 取决于 在 你的 样本 尺寸， 这 噪音 在 你的 过程。
我们 需要 到 定义 什么 是 不 不同的， 相同的 或者 不 影响 意思是。
这里 是 去 到 放 我们的 验收 标准 前方 的 时间
为了 这 第一的 步 作为 准确性 之内 一半 这 百分比，
和 为了 这 第二 步 作为 准确性 之内 1%。
出色地 看 这些 来 后退 作为 我们 走 通过 这。
我们的 第一的 步， 和 每一个 页 这里， 我是 去 到 展示 在 这 顶部 正确的
什么 步 我们 是 在 这 过程，
作为 出色地 作为 突出显示 什么 跳转 平台 是 使用。
为了 我们的 第一的 步， 是 去 到 是 拉 我们的 历史 数据
从 a 数据库， 在 我们的 案件， 我们 有 a 数据库。
我们 有 a 林 系统 那 已经 有 这 数据 在 a 结构化 格式。
你 可以 还 进口 这 从 CSV， 然而， 你 能 使用权 这 数据。
是 拉 它 在 我们的 案件 使用 生的 SQL 和 JSL
和 它 拉 在 a 结构化 格式 显示 a 子集 的 这 列 我们 有，
但 什么 你会 注意 是 在 这 案件 我们 有 我们的 六 校准器
作为 出色地 作为 a 数字 的 未知 样品。
是 拉 在 这 历史 数据 作为 这 核 数据 放 是 在职的 和。
这 第一的 步 是 重建 和 验证 这 相同的 校准 曲线
所以 那 相同的 六- 观点 校准 在 跳转。
现在， 你 可能 问 为什么 我们 有 到 做 这。
有 二 主要的 原因。
一 是 校准 曲线 能 有 a 很多 的 警告。
他们 能 有 加权， 他们 能 有 锚 点，
他们 可以 是 强迫 通过 零， 他们 可以 是 非线性。
这 是 a 好的 方式 到 证实 那 你是 使用 这 正确的
参数 和 跳转 到 重新创建 这。
这 其他 原因 是 那 我们 不 预计 这些 价值观 到 是 确切地 这 相同的。
这 原因 存在 那 a 很多 的 这些 分析 软件 用途 一些 所有权
回归 那 是 不是 确切地 喜欢， 让我们 说， 普通的 至少 正方形 回归。
到 做 这， 是 去 到 使用 a 专门 造型 合身 曲线 范围
和 真的 只是 重建 我们的 校准 曲线。
只是 喜欢 I 显示 早些时候，
在哪里 我们 有 我们的 已知 数量 的 我们的 六 标准 在 这 X
和 我们的 生的 强度 或者 信号 回复 在 这 和。
在 我们的 案件， 我们 有 22 批次， 我是 不是 显示 全部 的 他们 这里，
但 是 复制 这 为了 22 不同的 序列 在 本质上 一
点击 和 什么 I 称呼 这 力量 的 这 控制 钥匙 如果 你 不 知道 这 诡计。
将要 节省 你 a 吨 的 时间， 如果 你 抓住 向下 这 控制 钥匙，
点击 在 这 红色的 按钮， 任何 你 做 是 去 到 申请 到 每一个
分析 在 那 窗户。
最近 学到了 那是 显然 称为 广播，
所以 你 可以 使用 那 作为 出色地。
是 重建 a 校准 曲线 为了 每个 的 我们的 批次
和 然后 在 这 相同的 专门 造型 平台， 是 然后
保存 这 逆 预言 公式。
因为 是 预测 从 Y 到 X，
如果 你 记住 后退 到 我们的 校准 介绍，
到 是 有能力的 到 节省 这 预测 价值观 后退 到 我们的 数据 桌子。
这 然后 看起来 喜欢 这 在哪里 在 我们的 数据 桌子
我们 有 第一的 我们的 历史 数量， 什么 我们 拉 从 这 数据库，
和 现在 我们 有 我们的 生的 数量 那 我们 生成 从
这些 新 创建 校准 曲线 和 跳转。
我们 有 a 乘数 我们 有 到 申请， 做 这 样本 准备 我们 做
那 我们 拉 从 这 数据库 所以 那是 已经 那里
和 它是 去 到 停留 持续的。
我们 简单地 需要 到 只是 申请 a 计算 柱子 这里
到 有 a 比较 价值 到 我们的 历史 数据。
如果 你 看 在 这 第一的 生的， 我们的 价值 是 非常 关闭 到
但 不是 确切地 这 相同的 作为 我们的 历史 数据。
下一个 向上， 是 去 到 视觉上 做 a 比较， 密谋 我们的 历史
反对 这 跳转 娱乐 的 那 校准，
和 这 是 a 好的 查看 再次， 到 看 通过 你的 数据。
什么 你 会 预计 或者 希望 为了 是
a 线 那 本质上 看起来 喜欢 Y 等于 十。
现在 我们 不 想 到 停止 在 a 视觉的 分析。
我们 的 课程， 想 到 带来 一些 统计数据 进入 它。
这 是 在哪里 我们 介绍 这 通过 巴布洛克 回归。
它是 实际上 某物 那 曾是 只是 额外 进入 这 根据 跳 功能。
I 思考 和 跳转 17 用过的 到 是 一个 添加- 在 为了 a 长的 时间。
我是 高兴的 它是 那里 现在。
这 是 a 专门 回归 那是 非 参数 和 强壮的 异常值，
那是 真的 设计 具体来说 为了 比较 分析 方法。
为了 许多 的 你， 大概 无关 你是 绝不 去 到 有 到 使用 它，
但 我们 需要 到 使用 它 在 这 世界 是 在职的 在。
什么 这 回归 做， 它 给出 你 二 假设 测试
到 测试 为了 持续的 偏见 作为 出色地 作为 比例 偏见。
S 开始 和 a 持续的 偏见， 在哪里 是 看到 如果 有 偏见。
想象 这 线 移动 向上 和 向下 这 相同的 穿过 这 范围。
是 评估 如果 这 信心 间隔 的 我们的 截距
做 或者 做 不是 包括 零。
为了 比例 偏见， 在哪里 这 偏见 会 改变 基于 在 这 回复。
是 评估 如果 这 信心 间隔 的 我们的 坡
做 或者 做 不是 包括 一。
现在 在 我们的 案件， 我们 拒绝 这 无效的 假设 在 两个都 的 这些 案件，
哪个 告诉 我们 那 我们 做 有 统计上 重要的 偏见，
两个都 持续的 和 比例 在 我们的 数据 放。
从 这里 你 可能 说， 好的， 是 完毕 有 偏见 我们 不能 移动 在，
但 思维 后退， 这 是 为什么 它是 真的 重要的 到 定义
什么 这 实际的 意义 是 因为
任何 统计学家 将要 告诉 你 在 我们的 数据 放 我们 有 1000 样品，
你 有 1,000 样品 你是 去 到 是 寻找 在
非常 紧的 信心 间隔。
你是 去 到 是 有能力的 到 探测 非常 小的 差异。
我们 有 a 统计上 重要的 不同之处 但 做 它 事情？
那 带来 我们 到 我们的 最后的 步 是 去 到 计算，
再次 使用 这 柱子 公式，
这 相对的 不同之处 之间 这 二 方法
和 我是 显示 a 分配 的 那 以下
和 那 分配 然后 给出 我们 使用权 到 这 测试 等价。
这 允许 你 到 测试 a 分配 的 价值观 反对 这 持续的
那 你 定义 之内 一些 信心。
这里 在 这 窗户， 出色地 进入 我们的 目标 意思是 是 零
因为 我们 假设 那 他们是 去 到 是 这 相同的 所以 不 不同之处。
现在 我们 得到 到 进入 我们的 验收 标准， 哪个 曾是 0.5%。
这 给出 我们 这 非常 好的 输出 和 我们的 最终的 二 假设
测试 在哪里 如果 我们 拒绝 这些， 我们 能 决定 本质上 那 这 意思是
的 这 数据 放 是 相等的 到 零 之内 加 或者 -0.5%。
这 一 你 可能 说， 嘿 斯蒂芬， 这 是 正在做 a t- 测试，
你的 分配 是 不是 确切地 普通的 和 I 思考 你会 是 正确的
和 如果 I 去了 后退 I 可能 实际上 使用 这 测试 意思是 平台
因为 那 给出 你 使用权 到 非 参数 等价 測試。
不管， 这 是 a 真的 有用 和 直接的 方式 到 测试
为了 实际的 意义。
我们 拉 我们的 历史 数据 从 这 数据库，
我们已经 重新创建 和 评估 这 校准 曲线
和 我们已经 已确立的 那 它 通行证 我们的 验收 标准。
如果 它 有 失败的， 它 可以 是 一个问题 和 这 数据 放。
你 可能 不是 是 使用 这 正确的 校准 参数。
有 a 数字 的 原因， 我们 一般来说 会
漂亮的 很多 总是 预计 这 到 经过。
它 通常 只是 需要 一些 调查 到 什么是 正在进行
在 这 方式 你 重新创建 这 校准。
我们的 下一个 步 是 向下- 采样 或者 减少 这 数字 的 级别
的 我们的 校准。
现在， 如果 我们 尝试 到 做 这 没有 跳转， 我们 有 到 去 进入 每一个 单身的
顺序 在 我们的 分析 软件 手动
消除 校准器， 重新计算 事物。
是 真的 长的 和 乏味 事物。
跳转 这 是 作为 简单的 作为 只是 使用 这 数据 筛选。
在 我们的 案件 和 这 六- 观点 校准 我们 有 a 线性 一。
我们 知道 那 这 最低限度 数字 的 点 我们 需要 为了 线性 修复是 二。
是 采摘 这 最高 和 这 最低 校准器
和 只是 过滤 向下 到 那些。
从 这里 我是 去 到 去 漂亮的 迅速地， 但 真的 全部 是 去 到 做
是 重新创建 这 校准 和 二 点 在 跳转。
再次， 是 使用 这 专门 造型 平台， 正在做 a 合身 线。
这 仅有的 不同之处 现在 是 我们 有 二 点 反而 的 六
和 是 申请 那 逆 预言 公式 后退 到 这 数据 桌子，
哪个 再次 是 去 到 给 我们 我们的 逆 预言
和 然后 我们 申请 这 乘数
和 因为 I 知道 我是 去 到 做 这 实际的 意义，
我是 只是 去 到 先发制人 计算 a 相对的 不同之处 之间
这 二- 观点 校准 和 然后 这 历史 不同之处。
再次， 我们 去 通过 这 通过 巴博克 和 不是 所以 出奇，
再次 考虑 这 尺寸 的 我们的 数据 放，
是 去 到 拒绝 这 无效的 假设 这里 和 建立 那 我们 有
统计上 重要的 偏见， 两个都 比例 和 持续的。
我们 移动 在 到 测试 我们的 验收 标准。
记住 后退 现在 我们的 临界点 是 1% 反而 的 0.5%
和 那是 在职的 和 这 利益相关者 的 这 数据
到 建立 什么 是 一个 可接受 等价。
那是 总是 重要的 预 工作 到 做
和 是 去 到 测试 那 等价。
这里 我们 寻找 那 这些 二 方法 是 相等的 之内 加 或者 减1%。
在 这 未知 样品 和 那是 真的 重要的。
是 使用 那些 历史 真实的- 世界 样品
到 真的 问 这 问题 什么 如果 我们 去了 后退 在 时间
和 看 全部 这些 校准 和 二 点
和 已报道 这 数据 的 这些 未知 样品。
如何 会 那些 价值观 改变？
在 平均的 我们 看 那 他们 改变 非常 小的，
和 所以 它 给出 a 很多 的 信任 到 考虑
诱导 那些 校准 水平。
我们 本质上 证明 这 现在
和 所以 这 校准 在 这 左边 和 这 校准 在 这 正确的
是 说 是 相等的 , 不是 去 到 提供 相等的 定量
之内 1% 和 所以 我们 有 本质上 这 证据 我们 需要 到 推 为了 这 改变。
我们 已通过 我们的 第一的 查看， 我们 看 这 评估 和 这 二，
我们 已通过 那 和 现在 是 在 我们的 最终的 步
的 实施 那些 变化 在 我们的 过程。
现在 它是 可以说 这 最多 重要的 部分，
如果 你 做 一个 分析， 我们 只是 离开 它 坐着 那里， 没有 做 很多 好的。
这 能 有时 是 这 最难 部分。
你 有 到 去 出去， 你 有 到 说服 人们， 尤其 在 案例 喜欢 这
和 你 有 到 拿 考虑 的 或许 是 那里 额外的
事物 那 这 分析 没有 考虑。
我很高兴 到 讲话 到 任何人 关于 那，
但 是 不是 去 到 去 在 深度 的 什么 这 其他 注意事项 我们 有
到 思考 关于 前 放置 这 进入 行动，
但 和 这 例子， 我们 做过
实际上 结尾 向上 减少 校准 级别 从 六 到 二
和 那 减少 这 年度的 成本 的 跑步 那 方法 经过 关于 15,000 美元。
从 那里 我们 可能 说， 好的， 什么 现在？
是 我们 完毕？
的 课程 不是。
正确的 现在 我们 需要 到 看 在 我们 做过 它 为了 一 方法，
我们 有 a 套房 的 其他 100 加 方法 那 可能 还 有 这些
许多 等级 校准 那 可能 是 过度杀伤 为了 什么 我们 需要。
我们 想 到 看 在 重复 这 分析 为了 其他 方法。
那是 在哪里 I 思考 自动化 来 在。
它 是 a 真的 伟大的 方式 到 规模 这 一- 离开 分析 为了 我们自己，
但 还 为了 其他的。
我的 规则 的 拇指 是 如果 I 寻找 我 正在做 一个 分析
更多的 比 二 或者 三 次。
让我们 建造 那 出去 在 这 自动化，
说 未来 我 a 很多 的 时间， 花费 a 小的 时间 现在。
患病的 只是 触碰 在 这 非常 简要地 和 I 想 到 喊 出去 斯科特 这里
为了 帮助 我 和 a 很多 的 这 工作流程 建造者 工作 和 这 脚本
但 这些 本国的 自动化 工具 在 跳转 是 真的 强大的
和 他们是 非常 用户- 友好的， 有 a 很多 的 代码- 自由的 选项
和 所以 有 真的 不同的 方法 你 能 做 这。
你 能 做 它 在 这 左边 边， 正确的 在 a 经典的 方式 正在做 全部 这 脚本
甚至 允许 你 到 节省 这些 全球的 变量
所以 它 可以 给 我们 地方 为了 你 到 有 用户 进入 他们的
验收 标准 哪个 可能 改变
和 或者 你 能 杠杆作用 这 工作流程 建造者 哪个 是 a 少量 的 a 较新的 特征
但 真的 让 你 建造 出去 这 自动化。
甚至 如果 你 只是 想 到 脚本 它 生的，
你 能 建造 这 框架 那 你 能 然后 肉 出去。
这 二 事物 I 将要 说 关于 这 是
如何 很多 你 能 自动化 或者 或许 如何 很多 努力 你 有 到 放 进入 它
是 去 到 是 有限的 到 一些 程度 经过 如何 死板的 那 工作流程 是。
如果 用户 需要 它 到 是 真的 灵活的， 需要 到 相互影响 和 它，
它 可以 变得 非常 具有挑战性的 到 自动化，
和 的 课程 这 数据 一致性 是 钥匙 作为 出色地。
这 是 真的 a 伟大的 工具 到 帮助 其他的 复制 这 分析，
但 你 真的 做 有 到 还 火车 他们 和 文档 这 工作，
制作 当然 他们 知道 什么 它是 实际上 正在做。
作为 我们 全部 知道， 每一个 分析 有 它是 警告。
你 需要 人们 不是 只是 到 点击 和 有 a 报告，
但 还 理解 a 小的 少量 喜欢 什么 是 一些
潜在的 事物 那 可以 来 向上， 尤其 如果 你是 尝试
到 未来- 证明 工作。
I 喜欢 到 带来 它 后退 一起 和 裹 它 向上 那里
和 希望 今天 那 我已经 显示 你 那 跳转
你 不 有 到 做 喜欢 疯狂的 复杂的 或者 复杂的 事物 在 跳转
你 可以 片 一起 a 很多 的 简单的 功能
到 创造 真的 有影响力 工作流程。
无论 你是 在职的 在 a 实验室 在 你的 组织， 无论 它 是，
看 到 确认 这些 改进 在 现存的 工作流程。
I 喜欢 到 思考 关于 如果 你 全部 是 在 这 经验
最多 的 我们 是 在， 有 更多的 数据 比 什么 我们 知道 什么 到 做 和。
看 在 这 数据 那 不 一 是 寻找 在
和 然后 挑战 这 传统的 思维。
这 方式 是 在职的 是 总是 改变， 问 为什么 做 我们 做 它 这 方式。
在 我们的 案件， 为了 a 长的 时间， 这 是 这 方式 我们 做 它。
五， 六- 观点 校准。
问 为什么， 什么 如果 我们 没有， 什么 会 这 影响 是。
的 课程， 不 有 到 告诉 任何人 倾听 这里。
使用 跳转 为了 这 可扩展 分析 和 然后 使用 自动化 到 制作 它 简单的，
和 它 真的 没有 有 到 是 想要。
它 只是 有 到 工作 为了 什么 你 需要 它 到 做。
最后， 你 能 使用 那 到 影响 这些 有影响力的， 实施 有影响力 改变
和 使用 数据 到 驾驶 那些 决定。
它是 大概 一 的 这 最多 令人信服 工具 那 我们 有 今天。
如果 你是 说 到 管理，
做 它 在 单位 的 美元 因为 他们 爱 那。
患病的 裹 它 向上 那里
I 思考 最后的 事物 ID 喜欢 到 说 是 只是 a 感谢 你 到 这
跳转 发现 首脑 委员会，
全部 这 人们 组织 特别的 感谢 你 到 斯科特 为了 全部 这 帮助
他 给了 我 在 这 过去的 和 阿米瑞斯 但 还 和 这 讲话 和 这 分析，
和 然后 a 数字 的 人们 在A 无数 WHO 是 参与 和 这
和 和 那， I 将要 裹 它 向上。
感谢 你。 再见。
