Nous avons commencé à utiliser JMP il y a quatre ans. Lassés de la lourdeur d'Excel, nous avons été séduits par la simplicité d'utilisation de JMP, notamment grâce à son interface intuitive de type « glisser-déposer ». Depuis, nous avons considérablement évolué et utilisons désormais JMP pour les statistiques et, surtout, pour l'automatisation et le contrôle qualité des produits.
Cette méta-analyse n'est qu'un exemple des gains de temps et d'efforts que nous avons réalisés grâce à JMP. Nous recevons des données expérimentales d'élevages clients sur l'impact de nos produits sur la survie/mortalité des porcelets. Cette méta-analyse, initialement réalisée il y a cinq ans sous la forme d'un processus Excel intensif de trois à cinq semaines, s'est progressivement transformée en un processus JMP largement automatisé, d'une durée d'une semaine maximum. Ce gain de temps nous permet de nous consacrer davantage aux étapes à plus forte valeur ajoutée, telles que la présentation des données à nos clients et la rédaction de résumés pour des conférences. Nous pouvons également approfondir l'analyse des données pour en extraire des informations pertinentes, ce qui nous permet d'apporter systématiquement des éléments nouveaux à nos présentations. JMP nous a véritablement démontré l'importance de suivre des cartographies de processus et l'impact positif de l'automatisation sur notre approche des données.
Bonjour à tous. Je m'appelle Stefan Buzoiano et je suis chercheur senior chez Tonisity International. Aujourd'hui, nous allons parler de notre transition d'Excel à l'automatisation JMP. Mon adresse e-mail est affichée à l'écran ; n'hésitez pas à me contacter pour toute question ou suggestion.
Pour rappel, Tonisity PX est une boisson protéinée isotonique administrée aux porcelets nouveau-nés. Elle assure leur hydratation et leur apporte des nutriments essentiels à leurs cellules intestinales. Ainsi, les porcelets survivent mieux, grandissent plus vite et sont en meilleure santé. On peut considérer Tonisity PX comme une véritable réserve d'énergie pour l'intestin : elle fournit des nutriments clés qui soutiennent le métabolisme cellulaire, renforcent les jonctions intercellulaires, préviennent l'hyperperméabilité intestinale, soutiennent le système immunitaire et favorisent l'équilibre du microbiote. L'effet principal observé est une amélioration du taux de survie des porcelets ou une réduction de la mortalité avant la mise bas. C'est ce que nous allons aborder dans les prochaines diapositives.
Nous avons constaté au fil du temps que nos clients s'intéressent de plus en plus aux données, et qu'il y a une limite à ce que l'on peut obtenir en présentant un à cinq essais, car les gens vous interrogeront sur la reproductibilité, sur l'analyse statistique et sur les tendances.
En regroupant les données, notre discours et la diffusion de ces informations gagnent en impact. En présentant les résultats de 10, 20, 50, 90 et 100 essais, nous captons l'attention de nos clients et entamons des discussions plus pertinentes, apportant ainsi une plus grande valeur ajoutée à notre produit et à notre accès au marché. Plus de données, c'est mieux. C'est là toute la puissance des données agrégées.
Pour ce faire, et afin d'améliorer nos capacités d'analyse de données, nous réalisons ces méta-analyses de mortalité environ une fois par an. Nous en sommes donc à six itérations à ce jour. Nous avons commencé en 2018 avec environ 29 essais et 33 000 porcs. Ce mois-ci, notre base de données comprend 91 essais et 185 000 porcs. Nous avons donc effectué six itérations de cette analyse de données, en intégrant les résultats de la précédente à ceux de l'itération actuelle.
En examinant le temps consacré à cette analyse et les efforts déployés, on constate qu'en 2018, nous avons effectué un travail important de préparation et de traitement des données dans Excel. La couleur rouge indique cette préparation. L'orange représente l'analyse entre SAS et JMP, et le bleu, la diffusion, étape à forte valeur ajoutée. Nos dirigeants, notre conseil d'administration et nos clients s'intéressent davantage à la diffusion qu'aux manipulations de données, contrairement à ce que l'on pourrait penser.
Nous avons commencé par un processus très axé sur Excel. Il nous a fallu huit jours pour bien comprendre la base de données et manipuler toutes ces formules, copier-coller, etc. Il y a eu pas mal d'erreurs humaines. En 2019, les données n'ont pas beaucoup augmenté, mais nous n'avons pas non plus beaucoup diffusé les résultats.
Nous avons acquis JMP en 2020. Nous avons entièrement refondu notre base de données et, dès 2021, nous avons intensifié nos efforts de diffusion, tandis que la manipulation des données a considérablement diminué. On constate donc que nous nous concentrions déjà sur cette étape à valeur ajoutée que représente la diffusion.
Voici une autre façon d'envisager le processus, étape par étape : préparation des données Excel, analyse et diffusion. On constate une réduction significative du temps passé sur Excel, passant de 8 jours à 0,1 jour. Ce gain est considérable et représente une valeur ajoutée importante pour notre processus. En résumé, moins de manipulations de données, moins d'erreurs et un gain de temps considérable.
Étape d'analyse : Nous sommes restés les mêmes au milieu, mais nous sommes passés d'un processus utilisant intensivement SAS à un processus utilisant intensivement JMP, ce qui présente des avantages car nous conservons une grande partie des informations au même endroit.
Mais le principal avantage réside dans le fait que nous sommes passés d'une demi-journée à environ quatre jours pour la diffusion des résultats. Cela représente un gain considérable pour notre travail quotidien. Par exemple, nous avons soumis deux résumés cette année. Nous avons automatisé certains processus ces deux dernières années et intégré de nouvelles analyses. Ainsi, le temps gagné en n'ayant plus à manipuler des données dans Excel a été mis à profit pour soumettre les résumés, diffuser l'information, organiser des webinaires pour nos clients et échanger avec la communauté universitaire.
Voici notre processus d'analyse de données, aussi complexe qu'il puisse l'être. Beaucoup de tableaux, d'interactions, de synthèses, de fusions, etc. L'essentiel, c'est que la majeure partie du travail est effectuée dans JMP. On utilise très peu Excel, un peu de SAS, mais c'est surtout JMP qui est utilisé.
Voici comment se déroule le processus en arrière-plan. Nous importons les données (ou la base de données) d'Excel dans JMP. Nous les traitons avec SAS, puis nous les réintégrons dans JMP, ce qui nous permet de créer une table principale, véritable pilier de chacune de nos analyses. C'est à partir de cette table que toutes les autres données sont identifiées et traitées. Nous réalisons ainsi une méta-analyse de la mortalité globale par cinq régions géographiques, deux protocoles d'administration et quatre facteurs génétiques. Environ 13 éléments de cette table de données ont été automatisés et sont fusionnés de manière transparente en arrière-plan par JMP.
Nous disposons donc de graphiques réguliers qui évoluent d'une itération à l'autre. Le code est déjà écrit ; JMP prend en charge les tâches les plus complexes. Nous n'avons qu'à exécuter les scripts. Tous ces gains de temps nous permettent de nous concentrer, comme je l'ai dit, sur l'interprétation et la diffusion des données. Nous sommes désormais en mesure d'analyser les cas particuliers dans les ensembles de données, d'identifier les performances optimales de notre produit et les situations ayant engendré des résultats inattendus. Cela nous permet de résoudre les problèmes avec nos clients afin de leur garantir une réelle valeur ajoutée lorsqu'ils utilisent notre produit.
Voici donc ce que nous faisons en coulisses. Il y a toute une série d'étapes fastidieuses. Nous ouvrons un fichier Excel, l'importons dans JMP, effectuons un premier traitement (dont nous parlerons dans un instant et que nous illustrerons). Nous l'envoyons ensuite à SAS pour analyse. Les résultats sont exportés vers Excel, puis réimportés dans JMP. Nous y effectuons de nombreuses opérations de fusion de données, notamment les moyennes de mortalité, les valeurs p et d'autres statistiques. Enfin, nous créons des graphiques et des présentations PowerPoint.
Comme je l'ai dit, puisque JMP effectue pour nous la majeure partie du travail avec les formules, les concaténations et tout le reste en arrière-plan, nous sommes en mesure d'analyser les données pour réaliser des diffusions, des résumés, des webinaires, des sessions de formation client, etc.
Nous passons à notre démo, et c'est le moment où chaque utilisateur de JMP marque une courte pause pour espérer que le code fonctionnera parfaitement. Voyons voir. Voici mon projet JMP. Rien de bien passionnant, juste beaucoup de lignes de code. Ce que j'apprécie vraiment avec JMP, c'est la possibilité de replier le code, ce qui me permet de réduire des sections entières. Je charge tout en mémoire, je coordonne les éléments et j'exécute ces sections de code depuis ce panneau à droite. Nous allons importer les tables et commencer à travailler avec elles.
Il nous faut donc nous connecter à SAS. Il exécutera du code en arrière-plan. Nous exportons le tableau vers SAS pour qu'il puisse effectuer son traitement. SAS nous renvoie ensuite des tableaux assez complexes. Il s'agit de sept tableaux contenant toutes les valeurs p et toutes sortes d'estimations qu'il faut concaténer et intégrer au format de notre tableau principal. JMP peut s'en charger sans problème. Voici notre tableau principal. Voilà.
Il nous reste donc ici, à gauche, tout un tas de tableaux inutiles. Bien sûr, on les supprime, on les ferme. Désolé, on n'est pas très bons. Du coup, avec tous ces tableaux en trop, je vais devoir ressortir le code des figures ou des graphiques d'une version antérieure de l'itération.
C'est exactement ce que nous faisons. Vous pouvez voir les codes ici, les scripts, et je peux les tester. Ce sont mes graphiques standards. Je peux les modifier à ma guise. En voici un autre. Parfait. Encore une fois, il s'agit simplement d'un exemple de graphique. Nous avons la mortalité du groupe témoin sur l'axe des abscisses, la mortalité du groupe traité par PX sur l'axe des ordonnées, et ces petits drapeaux. Cela me permet de voir où se situent les essais européens ; chaque point représente un essai de notre base de données. On observe de nombreux essais américains avec une mortalité très élevée. Les essais asiatiques, quant à eux, présentent généralement une faible mortalité, tout en bas du graphique.
Cela me permet donc d'analyser les données avec flexibilité et de comprendre leur fonctionnement, au lieu de devoir importer des données SAS via Excel et de créer des graphiques dans Excel. C'est un gain de temps considérable pour nous.
Parfait. Quelques conclusions à ce sujet. JMP nous permet de réduire les manipulations de données, ce qui rend la licence JMP rentable. Nous réduisons les erreurs humaines. Le logiciel JMP prend en charge les calculs complexes : formules, concaténations, jointures de tables, etc. Tout se fait en arrière-plan, éliminant ainsi tout risque d'erreur humaine. Tout était déjà pris en compte lors de la conception du code. Ce gain de temps nous permet de nous concentrer sur les activités à forte valeur ajoutée : analyse des données, rédaction de synthèses, animation de webinaires, échanges avec nos clients. Nous pouvons ainsi optimiser notre temps.
Cela nous permet de résoudre de nombreux problèmes et d'interpréter les données de différentes manières, ainsi que d'effectuer diverses analyses directement sur les données. Il est important de noter que nous avons réalisé tout cela en 2020, sans aucune expérience préalable en programmation JMP. Si j'y suis arrivé, vous le pouvez aussi. Merci beaucoup. Mon adresse e-mail est affichée à l'écran. N'hésitez pas à me contacter pour toute question ou suggestion.
