今天
是
去
到
是
說
關於
使用
跳轉，
我們的
最喜歡的
軟體
和 申請 它 到 a 真實的- 世界 問題 在 我們的 分析 科學 部門
在 阿米瑞斯 哪個 是 a 信必優 公司。
前 我們 跳 進入 那， I 通緝 到 介紹 我 作為 出色地 作為
斯科特， 世界衛生組織 幫助 我 沿著 這 旅行。
我是 史蒂芬， 我是 一個 聯繫 導演 的 研發 D 數據 分析A 桃金孃。
I 有 十二 年 的 產業 經驗，
a 很多 的 各種各樣的 背景， 我已經 工作 在 各種各樣的 實驗室
從 分析 化學 到 發酵 科學 和 在 更多的 最近的 年
專注 更多的 在 這 品質 和 數據 科學 邊 的 事物。
史考特 有 幫助 我進來 a 很多 的 這 內容 這裡
和 有 到過 在職的 和 阿米瑞斯 為了 a 數位 的 年
和 他 是 一 的 這 跳轉 優點 在職的 用於 JMP。
ID 喜歡 到 開始 離開 經過 只是 說 感謝 你 到 史考特 為了 幫助 我們 出去 這裡。
是 去 到 分裂 這 演講 今天 進入 三 部分。
我是 去 到 給 a 位元 的 背景 和 情境 兩個都 在 合成的 生物學，
如果 你 沒有 聽到 的 那 前， 和 分析 化學。
這 主要的 部分 的 這 演講 是 真的 去 到 是 專注 在 然後 申請 跳轉
到 a 具體的 問題 我們 有 和 然後 最後 出色地 裹 它 向上
簡要地 接觸 在 自動化 和 然後 這 影響
的 這 分析 和 這 案件 學習 出色地 看 在 一起。
S 奧梅 的 你 可能 不是 是 熟悉的 和 合成的 生物學
或者 分析 化學 和 I 真的 喜歡 到 理解
情境 和 背景 和 是 去 到 是 相對地 重要的
為了 這 案件 學習 我們 看 在， 出色地 重點 在 那 今天 和 開始 那裡。
S 合成的 生物學 真的 槓桿 微生物，
作為 我們 喜歡 到 稱呼 他們， 作為 活的 工廠。
我們 使用 主要 酵母菌 在 這 案件 的 阿米瑞斯 那 我們 精確 工程師，
和 我們 使用 這 過程 的 發酵， 哪個 是 不是 a 新的 事物 它是 某物
人們 有 到過 使用 為了 數千 的 年， 主要 到 製作 酒精
和 麵包 在 a 很多 的 案例。
在 我們的 案件， 是 使用 這 酵母菌 在 發酵，
餵食 它 糖 和 轉換 那 糖 進入 a 種類 的 目標
原料 和 化學品。
那些 原料 和 化學品 我們 能 然後 製作
更高 純度 所以 他們 可能 是 更高 表演 降低 成本
和 在 a 更多的 可持續的 時尚。
到 給 一個 例子， 這 不是 只是 a 仙女 故事。
這 是 現實， 它是 不是 一個 主意， 我們 有
18 分子 今天 那 我們 生產 在 規模 和 我是 顯示
a 子集 的 那些 這裡。
有 一個 例子 在 這 頂部 左邊 你 有 青蒿素。
那是 一個 抗瘧藥 藥物, 它 曾是 我們的 第一的 分子
和 那是 如何 我們的 公司 曾是 成立。
在 這 頂部 中間， 我們 有 生物芬 哪個 是 實際上 a 強大的
大樓 堵塞 那 我們 然後 轉變 進入 其他 化學品 和 應用程式.
一 例子 存在 角鯊烯 哪個 是 a
非常 受歡迎的 潤膚劑 用過的 在 這 化妝品 產業
和 傳統上 是 來源 從 鯊魚 肝臟
和 一 那 可能 是 熟悉的 在 這 底部 中間， 我們 有 廣藿香。
一些 人們 聯繫 那 和 這 嬉皮 聞， 它是 a 香味，
但 它是 實際上 真的 無所不在 在 這 香味 產業
作為 a 根據 筆記， 所以 它 去 進入 數千 的 產品。
事物 喜歡 潮 洗滌劑 有 廣藿香 在 它 和 我們 能 生產 這，
哪個 是 傳統上 提取 從 植物
和 我們的 合成的 生物學 平台。
I 工作 在 這 研發 功能， 和 所以 我們的 目標 是 真的 到 確認
這 最好的 E 菌株 那 我們 能 然後 使用 在 製造業 規模，
和 那 需要 研究 在 規模。
我們 跑步 高度 自動化 a 很多 的 高的- 吞吐量 工作流程
在 阿米瑞斯 在 埃默里維爾 和 所以 從 這 左邊 那裡 我們 開始 篩檢
我們的 酵母菌 菌株
在 a 容量 的 關於 60萬 菌株 每 月。
我們 拿 那些 頂部 表演者 和 我們 推動 他們
到 什麼 我們 稱呼 我們的 長椅- 規模 生物反應器 發酵，
哪個 你 能 看 圖為 在 這 正確的 那裡。
自始至終 全部 的 這， 是 創造 a 很多 的 菌株，
哪個 方法 我們 也 需要 到 理解 什麼是 正在發生 在 那些 菌株，
什麼 是 他們 生產， 如何 很多， 和 那是 真的 在哪裡 分析 來 在。
那些 分析 需要 到 是 跑步 在 a 規模 到 匹配 那 所以 我們 能 真的
得到 這 數據 到 理解 什麼是 正在發生。
和 這 規模 的 研究， 有 a 很多 的 機會，
和 a 很多 的 那些 機會 來 從 尋找 在 傳統的
方法 和 重新考慮 如何 到 做 那些。
我會談談 a 小的 位元 關於 分析 化學。
再次， 那是 不是 任何事物 那是 獨特的 到 合成的 生物學。
它是 普遍 在 a 很多 的 行業， 石油 行業，
環境的 科學， 製藥， 非常 常見的 方式 只是 到 措施 事物。
患病的 演講 這裡 真的 關於 色譜法，
和 作為 一個 例子， 患病的 拿 發酵 那 我們 做 在 這 生物反應性 規模。
從 這 發酵， 是 去 到 樣本 那 儘管 它是 跑步。
是 去 到 得到 a 骯髒的 樣本 從 那 哪個 我們 然後 能 更遠
準備 和 稀。
我們 有 這 混合物 的 成分 在 這 最終的 形式。
出色地 然後 拿 這 混合物 的 成分，
出色地 跑步 它 穿過 一些 分離 技術。
那是 a 色譜儀。
什麼 那是 去 到 做 是 基於 在 這 財產 的 那些 成分，
可能 是 尺寸， 它 可能 是 極性， 它會 允許 我們 到 分離 那些 出去。
我們 然後 餵食 那 進入 一些 偵測 機制。
有 a 種類 那 你 能 使用 和 什麼 那 給出 你 是 a 分離
的 這些 成分 超過 時間 和 然後 一些 強度 的 回覆.
這 最後的 片 和 在哪裡 是 去 到 重點 今天
是 強度 不是 真的 a 有用 事物 為了 你 或者 我 到 製作 決策 在。
我們 需要 到 翻譯 那 進入 某物 有用 喜歡 a 專注。
這 校準 曲線 允許 我們 到 翻譯
那 強度 進入 a 專注，
和 的 課程， 你 能 想像 如果 你 得到 那 翻譯 錯誤的，
你的 數據 是 去 到 是 錯誤的 和 它是 去 到 誤導 你。
校準 曲線 是 在哪裡 出色地 重點 今天，
和 那是 這 心 的 這 問題。
A 校準 曲線 是 創建， 經過 跑步 標準 和
變化 等級 的 你的 已知 成分。
這 例子 我是 顯示 這裡，
我們 有 a 低的 中- 高的， 所以 a 三 -級別 校準。
我們 知道 什麼 這 專注 是 在 那些 因為 我們 準備好 他們，
和 我們 措施 這 回覆 在 這些 樂器。
從 那裡， 我們 能 合身 一些 校準 曲線。
在 這 例子， 我是 顯示 只是 a 簡單的 線性 合身，
和 然後 我們 能 跑步 未知 樣品，
讀 這 回覆 離開 我們的 樂器 和 做 一個 逆 預言。
是 服用 我們的 回覆 從 這 Y 和 預測 什麼 這 數量是
在 那 樣本。
它是 a 非常 常見的 方式 到 是 有能力的 到 量化 事物 在 未知 樣品。
那是 我們的 背景。
是 去 到 跳 進入 這 案件 學習 尋找 在 這 鑰匙 問題
我們 有 大約 最佳化 a 部分 的 我們的 過程 在 我們的 分析。
一點 更多的 背景 這裡 是 那 什麼時候 我們 做 校準 在 我們的 實驗室，
有 a 成本 聯繫 維護 的 這些 校準
和 校準 曲線 和 校準 標準 是 昂貴的，
兩個都 到期的 到 人民的 時間， 但 也 材料。
這些 材料 能 常 成本 數千， 甚至 十 的 數千
的 美元 每 克。
和 這 規模 那 是 正在做 我們的 研究 在， 它 真的 推動 我們
再次 到 重新考慮 那些 傳統的 方法。
是 跑步 百萬 的 樣品 每 年， 和 我們 有 a 真的 各種各樣的
放 的 分析 方法 所以 我們 有 現在
在 我們的 實驗室 在 埃默里維爾
超過 100 不同的 分析 方法 測量 全部 成分。
一 地方 我們 看起來 在 是 傳統上。
我們 看 這 和 最多 人們 我們 聘請， 這 是 在哪裡 人們 開始。
傳統上 校準 曲線 常 有 五 到 七 級別，
無論 他們是 線性 或者 不是。
我們 思考 關於 他們 說， 好的， 五 到 七 級別， 線性 合身。
在 理論， 這 最多 你 可能 需要 是 或者 這 最低限度 你 可能 需要 是 二
和 有 a 成本 到 每個 額外的 等級，
兩個都 在 材料 和 準備 成本 和 維護。
這 是 在哪裡 我們 通緝 到 看 和 問 這 問題，
看， 能 我們 實際上 減少 這 數位 為了 一個 現存的 方法
沒有 重要的 影響 在 我們的 實際的 數據 品質?
這 方式 我們 量化 我們的 未知 樣品。
這 是 在哪裡 跳轉 來 在， 是 去 到 使用 跳 這裡 到 模擬
一些 選擇 校準 計劃， 在 這 案件，
減少 這 數位 的 等級 的 校準
和 到 重申 什麼 我們已經 走了 透過 我們的 問題 最終 是 那
校準 維護 是 昂貴。
那是 惱怒 經過 這 規模 我們 做 它 在。
我們的 一般的 方法 是 真的 去 到 是 到 看 在 如何 能 我們 最佳化 這。
讓我們 看 在 減少 這 等級 的 那些 校準，
和 然後 我們的 具體的 解決方案 是 使用 JMP 這裡
到 問 這 問題， 看， 如果 我們 去了 後退 在 時間
如果 理論上， 我們 有 跑步 二 校準器 或者 三 校準器
反而 的 六 或者 七， 如何 會 那 有 受到影響 我們的 數據？
我們的 案件 這裡， 是 去 到 重點 在 a 單身的 方法 今天。
這 是 a 真實的 方法 我們已經 到過 跑步 為了 關於 六 個月。
我們 有 22 批次 的 樣品 我們已經 跑步 在 這 方法，
所以 它是 關於 1000 樣品。
我們的 現存的 校準 I 展示 這裡 在 這 正確的 是 a 線性 校準。
它 有 六 等級 和 我們已經 估計的 如果 我們 能 減少 這
到 這 最低限度 的 二 級別， 我們 可以 節省 一個 估計 的 15,000美元 a 年。
有 a 真實的 可衡量 動機 到 理解 如果 我們 能 追求 這。
顯示 這裡 這 一般的 工作流程 那 我們 來了 向上 和。
我是 去 到 去 透過 這 真的 迅速地 正確的 現在 但 不 擔憂。
是 去 到 走 透過 它 步 經過 步 一起。
是 真的 去 到 只是 拉 這 歷史 數據。
是 去 到 重新創建 我們的 歷史 校準 在 跳轉 到 證實 什麼
是 正在做 在 跳轉 火柴 什麼 我們已經 完畢 從歷史上看，
和 然後 是 去 到 說， 好的， 讓我們 排除 一些 的 這些 級別，
重新創建 這 校準 和 那些 減少 級別，
和 然後 評價 什麼 影響 那 有 在 我們的 目標。
現在， I 思考 在 這 案件 它是 也 真的 重要的 到 強調 你 看，
我們 有 二 經過- 失敗 叉子 在 這 路。
常 什麼時候 是 正在做 分析
在 數據 在 手， 是 尋找 為了 統計 意義
和 研究 喜歡 這， 它是 真的 重要的 到 決定 什麼 你的 實際的
要求 是。
在 這 案件， 什麼 做 那 意思是？
是 說 關於 影響 在 這 測量 的 未知 樣品。
最終， 我們 想 到 製作 當然 那 減少 這 校準 是 不是 去
到 偏見 這 測量 在 一 方式 或者 這 其他。
我們 想 這 測量 到 是 這 相同的。
作為 許多 人們 將要 告訴 你， 這 相同的 是 不是 真的 a 可量化 事物，
它 取決於 在 你的 樣本 尺寸， 這 噪音 在 你的 過程。
我們 需要 到 定義 什麼 是 不 不同的， 相同的 或者 不 影響 意思是。
這裡 是 去 到 放 我們的 驗收 標準 前方 的 時間
為了 這 第一的 步 作為 準確性 之內 一半 這 百分比，
和 為了 這 第二 步 作為 準確性 之內 1%。
出色地 看 這些 來 後退 作為 我們 走 透過 這。
我們的 第一的 步， 和 每一個 頁 這裡， 我是 去 到 展示 在 這 頂部 正確的
什麼 步 我們 是 在 這 過程，
作為 出色地 作為 突出顯示 什麼 跳轉 平台 是 使用。
為了 我們的 第一的 步， 是 去 到 是 拉 我們的 歷史 數據
從 a 資料庫, 在 我們的 案件， 我們 有 a 資料庫.
我們 有 a 林 系統 那 已經 有 這 數據 在 a 結構化 格式。
你 可以 也 進口 這 從 CSV， 然而， 你 能 使用權 這 數據。
是 拉 它 在 我們的 案件 使用 生的 SQL 和 JSL
和 它 拉 在 a 結構化 格式 顯示 a 子集 的 這 列 我們 有，
但 什麼 你會 注意 是 在 這 案件 我們 有 我們的 六 校準器
作為 出色地 作為 a 數位 的 未知 樣品。
是 拉 在 這 歷史 數據 作為 這 核 數據 放 是 在職的 和。
這 第一的 步 是 重建 和 驗證 這 相同的 校準 曲線
所以 那 相同的 六- 觀點 校準 在 跳轉。
現在， 你 可能 問 為什麼 我們 有 到 做 這。
有 二 主要的 原因。
一 是 校準 曲線 能 有 a 很多 的 警告。
他們 能 有 加權， 他們 能 有 錨 點，
他們 可以 是 強迫 透過 零， 他們 可以 是 非線性。
這 是 a 好的 方式 到 證實 那 你是 使用 這 正確的
參數 和 跳轉 到 重新創建 這。
這 其他 原因 是 那 我們 不 預計 這些 價值觀 到 是 確切地 這 相同的。
這 原因 存在 那 a 很多 的 這些 分析 軟體 用途 一些 所有權
回歸 那 是 不是 確切地 喜歡， 讓我們 說， 普通的 至少 方塊 回歸。
到 做 這， 是 去 到 使用 a 專門 造型 合身 曲線 範圍
和 真的 只是 重建 我們的 校準 曲線。
只是 喜歡 I 顯示 早些時候，
在哪裡 我們 有 我們的 已知 數量 的 我們的 六 標準 在 這 X
和 我們的 生的 強度 或者 訊號 回覆 在 這 和。
在 我們的 案件， 我們 有 22 批次， 我是 不是 顯示 全部 的 他們 這裡，
但 是 複製 這 為了 22 不同的 序列 在 本質上 一
點選 和 什麼 I 稱呼 這 力量 的 這 控制 鑰匙 如果 你 不 知道 這 詭計。
將要 節省 你 a 噸 的 時間， 如果 你 抓住 向下 這 控制 鑰匙，
點選 在 這 紅色的 按鈕， 任何 你 做 是 去 到 申請 到 每一個
分析 在 那 窗戶。
最近 學到了 那是 顯然 稱為 廣播，
所以 你 可以 使用 那 作為 出色地。
是 重建 a 校準 曲線 為了 每個 的 我們的 批次
和 然後 在 這 相同的 專門 造型 平台， 是 然後
儲存 這 逆 預言 公式。
因為 是 預測 從 Y 到 X，
如果 你 記住 後退 到 我們的 校準 介紹，
到 是 有能力的 到 節省 這 預測 價值觀 後退 到 我們的 數據 桌子。
這 然後 看起來 喜歡 這 在哪裡 在 我們的 數據 桌子
我們 有 第一的 我們的 歷史 數量， 什麼 我們 拉 從 這 資料庫,
和 現在 我們 有 我們的 生的 數量 那 我們 產生 從
這些 新 創建 校準 曲線 和 跳轉。
我們 有 a 乘數 我們 有 到 申請， 做 這 樣本 準備 我們 做
那 我們 拉 從 這 資料庫 所以 那是 已經 那裡
和 它是 去 到 停留 持續的。
我們 簡單地 需要 到 只是 申請 a 計算 柱子 這裡
到 有 a 比較 價值 到 我們的 歷史 數據。
如果 你 看 在 這 第一的 生的， 我們的 價值 是 非常 關閉 到
但 不是 確切地 這 相同的 作為 我們的 歷史 數據。
下一個 向上， 是 去 到 視覺上 做 a 比較， 密謀 我們的 歷史
反對 這 跳轉 娛樂 的 那 校準，
和 這 是 a 好的 查看 再次， 到 看 透過 你的 數據。
什麼 你 會 預計 或者 希望 為了 是
a 線 那 本質上 看起來 喜歡 Y 等於 十。
現在 我們 不 想 到 停止 在 a 視覺的 分析。
我們 的 課程， 想 到 帶來 一些 統計數據 進入 它。
這 是 在哪裡 我們 介紹 這 透過 巴布洛克 回歸。
它是 實際上 某物 那 曾是 只是 額外 進入 這 根據 跳 功能。
I 思考 和 跳轉 17 用過的 到 是 一個 添加- 在 為了 a 長的 時間。
我是 高興的 它是 那裡 現在。
這 是 a 專門 回歸 那是 非 參數 和 強壯的 異常值，
那是 真的 設計 具體來說 為了 比較 分析 方法。
為了 許多 的 你， 大概 無關 你是 絕不 去 到 有 到 使用 它，
但 我們 需要 到 使用 它 在 這 世界 是 在職的 在。
什麼 這 回歸 做， 它 給出 你 二 假設 測試
到 測試 為了 持續的 偏見 作為 出色地 作為 比例 偏見。
S 開始 和 a 持續的 偏見， 在哪裡 是 看到 如果 有 偏見。
想像 這 線 移動 向上 和 向下 這 相同的 穿過 這 範圍。
是 評估 如果 這 信心 間隔 的 我們的 截距
做 或者 做 不是 包括 零。
為了 比例 偏見， 在哪裡 這 偏見 會 改變 基於 在 這 回覆.
是 評估 如果 這 信心 間隔 的 我們的 坡
做 或者 做 不是 包括 一。
現在 在 我們的 案件， 我們 拒絕 這 無效的 假設 在 兩個都 的 這些 案件，
哪個 告訴 我們 那 我們 做 有 統計上 重要的 偏見，
兩個都 持續的 和 比例 在 我們的 數據 放。
從 這裡 你 可能 說， 好的， 是 完畢 有 偏見 我們 不能 移動 在，
但 思維 後退， 這 是 為什麼 它是 真的 重要的 到 定義
什麼 這 實際的 意義 是 因為
任何 統計學家 將要 告訴 你 在 我們的 數據 放 我們 有 1000 樣品，
你 有 1,000 樣品 你是 去 到 是 尋找 在
非常 緊的 信心 間隔。
你是 去 到 是 有能力的 到 探測 非常 小的 差異。
我們 有 a 統計上 重要的 不同之處 但 做 它 事情？
那 帶來 我們 到 我們的 最後的 步 是 去 到 計算，
再次 使用 這 柱子 公式，
這 相對的 不同之處 之間 這 二 方法
和 我是 顯示 a 分配 的 那 以下
和 那 分配 然後 給出 我們 使用權 到 這 測試 等價。
這 允許 你 到 測試 a 分配 的 價值觀 反對 這 持續的
那 你 定義 之內 一些 信心。
這裡 在 這 窗戶， 出色地 進入 我們的 目標 意思是 是 零
因為 我們 假設 那 他們是 去 到 是 這 相同的 所以 不 不同之處。
現在 我們 得到 到 進入 我們的 驗收 標準， 哪個 曾是 0.5%。
這 給出 我們 這 非常 好的 輸出 和 我們的 最終的 二 假設
測試 在哪裡 如果 我們 拒絕 這些， 我們 能 決定 本質上 那 這 意思是
的 這 數據 放 是 相等的 到 零 之內 加 或者 -0.5%。
這 一 你 可能 說， 嘿 史蒂芬， 這 是 正在做 a t- 測試，
你的 分配 是 不是 確切地 普通的 和 I 思考 你會 是 正確的
和 如果 I 去了 後退 I 可能 實際上 使用 這 測試 意思是 平台
因為 那 給出 你 使用權 到 非 參數 等價 測試。
不管， 這 是 a 真的 有用 和 直接的 方式 到 測試
為了 實際的 意義。
我們 拉 我們的 歷史 數據 從 這 資料庫,
我們已經 重新創建 和 評估 這 校準 曲線
和 我們已經 已確立的 那 它 通行證 我們的 驗收 標準。
如果 它 有 失敗的， 它 可以 是 一個問題 和 這 數據 放。
你 可能 不是 是 使用 這 正確的 校準 參數。
有 a 數位 的 原因， 我們 一般來說 會
漂亮的 很多 總是 預計 這 到 經過。
它 通常 只是 需要 一些 調查 到 什麼是 正在進行
在 這 方式 你 重新創建 這 校準。
我們的 下一個 步 是 向下- 取樣 或者 減少 這 數位 的 等級
的 我們的 校準。
現在， 如果 我們 嘗試 到 做 這 沒有 跳轉， 我們 有 到 去 進入 每一個 單身的
順序 在 我們的 分析 軟體 手動
消除 校準器， 重新計算 事物。
是 真的 長的 和 乏味 事物。
跳轉 這 是 作為 簡單的 作為 只是 使用 這 數據 篩選。
在 我們的 案件 和 這 六- 觀點 校準 我們 有 a 線性 一。
我們 知道 那 這 最低限度 數位 的 點 我們 需要 為了 線性 修復是 二。
是 採摘 這 最高 和 這 最低 校準器
和 只是 濾 向下 到 那些。
從 這裡 我是 去 到 去 漂亮的 迅速地， 但 真的 全部 是 去 到 做
是 重新創建 這 校準 和 二 點 在 跳轉。
再次， 是 使用 這 專門 造型 平台， 正在做 a 合身 線。
這 僅有的 不同之處 現在 是 我們 有 二 點 反而 的 六
和 是 申請 那 逆 預言 公式 後退 到 這 數據 桌子，
哪個 再次 是 去 到 給 我們 我們的 逆 預言
和 然後 我們 申請 這 乘數
和 因為 I 知道 我是 去 到 做 這 實際的 意義，
我是 只是 去 到 先發制人 計算 a 相對的 不同之處 之間
這 二- 觀點 校準 和 然後 這 歷史 不同之處。
再次， 我們 去 透過 這 透過 巴博克 和 不是 所以 出奇，
再次 考慮 這 尺寸 的 我們的 數據 放，
是 去 到 拒絕 這 無效的 假設 這裡 和 建立 那 我們 有
統計上 重要的 偏見， 兩個都 比例 和 持續的。
我們 移動 在 到 測試 我們的 驗收 標準。
記住 後退 現在 我們的 臨界點 是 1% 反而 的 0.5%
和 那是 在職的 和 這 利害關係人 的 這 數據
到 建立 什麼 是 一個 可接受 等價。
那是 總是 重要的 預 工作 到 做
和 是 去 到 測試 那 等價。
這裡 我們 尋找 那 這些 二 方法 是 相等的 之內 加 或者 減1%。
在 這 未知 樣品 和 那是 真的 重要的。
是 使用 那些 歷史 真實的- 世界 樣品
到 真的 問 這 問題 什麼 如果 我們 去了 後退 在 時間
和 看 全部 這些 校準 和 二 點
和 已報道 這 數據 的 這些 未知 樣品。
如何 會 那些 價值觀 改變？
在 平均的 我們 看 那 他們 改變 非常 小的，
和 所以 它 給出 a 很多 的 信任 到 考慮
誘導 那些 校準 水平。
我們 本質上 證明 這 現在
和 所以 這 校準 在 這 左邊 和 這 校準 在 這 正確的
是 說 是 相等的 , 不是 去 到 提供 相等的 定量
之內 1% 和 所以 我們 有 本質上 這 證據 我們 需要 到 推 為了 這 改變。
我們 已通過 我們的 第一的 查看， 我們 看 這 評估 和 這 二，
我們 已通過 那 和 現在 是 在 我們的 最終的 步
的 實施 那些 變化 在 我們的 過程。
現在 它是 可以說 這 最多 重要的 部分，
如果 你 做 一個 分析， 我們 只是 離開 它 坐著 那裡， 沒有 做 很多 好的。
這 能 有時 是 這 最難 部分。
你 有 到 去 出去， 你 有 到 說服 人們， 尤其 在 案例 喜歡 這
和 你 有 到 拿 考慮 的 或許 是 那裡 額外的
事物 那 這 分析 沒有 考慮。
我很高興 到 演講 到 任何人 關於 那，
但 是 不是 去 到 去 在 深度 的 什麼 這 其他 注意事項 我們 有
到 思考 關於 前 放置 這 進入 行動，
但 和 這 例子， 我們 做過
實際上 結尾 向上 減少 校準 等級 從 六 到 二
和 那 減少 這 年度的 成本 的 跑步 那 方法 經過 關於 15,000 美元。
從 那裡 我們 可能 說， 好的， 什麼 現在？
是 我們 完畢？
的 課程 不是。
正確的 現在 我們 需要 到 看 在 我們 做過 它 為了 一 方法，
我們 有 a 套房 的 其他 100 加 方法 那 可能 也 有 這些
許多 等級 校準 那 可能 是 過度殺傷 為了 什麼 我們 需要。
我們 想 到 看 在 重複 這 分析 為了 其他 方法。
那是 在哪裡 I 思考 自動化 來 在。
它 是 a 真的 偉大的 方式 到 規模 這 一- 離開 分析 為了 我們自己，
但 也 為了 其他的。
我的 規則 的 大拇指 是 如果 I 尋找 我 正在做 一個 分析
更多的 比 二 或者 三 次。
讓我們 建造 那 出去 在 這 自動化，
說 未來 我 a 很多 的 時間， 花費 a 小的 時間 現在。
患病的 只是 觸碰 在 這 非常 簡要地 和 I 想 到 喊 出去 史考特 這裡
為了 幫助 我 和 a 很多 的 這 工作流程 建造者 工作 和 這 腳本
但 這些 本國的 自動化 工具 在 跳轉 是 真的 強大的
和 他們是 非常 用戶- 友善的， 有 a 很多 的 代碼- 自由的 選項
和 所以 有 真的 不同的 方法 你 能 做 這。
你 能 做 它 在 這 左邊 邊， 正確的 在 a 經典的 方式 正在做 全部 這 腳本
甚至 允許 你 到 節省 這些 全球的 變數
所以 它 可以 給 我們 地方 為了 你 到 有 使用者 進入 他們的
驗收 標準 哪個 可能 改變
和 或者 你 能 槓桿作用 這 工作流程 建造者 哪個 是 a 位元 的 a 較新的 特徵
但 真的 讓 你 建造 出去 這 自動化。
甚至 如果 你 只是 想 到 腳本 它 生的，
你 能 建造 這 框架 那 你 能 然後 肉 出去。
這 二 事物 I 將要 說 關於 這 是
如何 很多 你 能 自動化 或者 或許 如何 很多 努力 你 有 到 放 進入 它
是 去 到 是 有限的 到 一些 程度 經過 如何 死板的 那 工作流程 是。
如果 使用者 需要 它 到 是 真的 靈活的， 需要 到 相互影響 和 它，
它 可以 變得 非常 具有挑戰性的 到 自動化，
和 的 課程 這 數據 一致性 是 鑰匙 作為 出色地。
這 是 真的 a 偉大的 工具 到 幫助 其他的 複製 這 分析，
但 你 真的 做 有 到 也 火車 他們 和 文件 這 工作，
製作 當然 他們 知道 什麼 它是 實際上 正在做。
作為 我們 全部 知道， 每一個 分析 有 它是 警告。
你 需要 人們 不是 只是 到 點選 和 有 a 報告，
但 也 理解 a 小的 位元 喜歡 什麼 是 一些
潛在的 事物 那 可以 來 向上， 尤其 如果 你是 嘗試
到 未來- 證明 工作。
I 喜歡 到 帶來 它 後退 一起 和 裹 它 向上 那裡
和 希望 今天 那 我已經 顯示 你 那 跳轉
你 不 有 到 做 喜歡 瘋狂的 複雜的 或者 複雜的 事物 在 跳轉
你 可以 片 一起 a 很多 的 簡單的 功能
到 創造 真的 有影響力 工作流程。
無論 你是 在職的 在 a 實驗室 在 你的 組織， 無論 它 是，
看 到 確認 這些 改進 在 現存的 工作流程。
I 喜歡 到 思考 關於 如果 你 全部 是 在 這 經驗
最多 的 我們 是 在， 有 更多的 數據 比 什麼 我們 知道 什麼 到 做 和。
看 在 這 數據 那 不 一 是 尋找 在
和 然後 挑戰 這 傳統的 思維。
這 方式 是 在職的 是 總是 改變， 問 為什麼 做 我們 做 它 這 方式。
在 我們的 案件， 為了 a 長的 時間， 這 是 這 方式 我們 做 它。
五， 六- 觀點 校準。
問 為什麼， 什麼 如果 我們 沒有， 什麼 會 這 影響 是。
的 課程， 不 有 到 告訴 任何人 傾聽 這裡。
使用 跳轉 為了 這 可擴充 分析 和 然後 使用 自動化 到 製作 它 簡單的，
和 它 真的 沒有 有 到 是 想要。
它 只是 有 到 工作 為了 什麼 你 需要 它 到 做。
最後， 你 能 使用 那 到 影響 這些 有影響力的， 實施 有影響力 改變
和 使用 數據 到 駕駛 那些 決定。
它是 大概 一 的 這 最多 令人信服 工具 那 我們 有 今天。
如果 你是 說 到 管理，
做 它 在 單位 的 美元 因為 他們 愛 那。
患病的 裹 它 向上 那裡
I 思考 最後的 事物 ID 喜歡 到 說 是 只是 a 感謝 你 到 這
跳轉 發現 首腦 委員會，
全部 這 人們 組織 特別的 感謝 你 到 史考特 為了 全部 這 幫助
他 給了 我 在 這 過去的 和 阿米瑞斯 但 也 和 這 演講 和 這 分析，
和 然後 a 數位 的 人們 在A 無數 世界衛生組織 是 參與 和 這
和 和 那， I 將要 裹 它 向上。
感謝 你。 再見。
