Wir haben vor vier Jahren mit JMP angefangen. Wir waren die Unübersichtlichkeit von Excel leid und waren von den Drag-and-Drop-Funktionen und der einfachen Bedienbarkeit von JMP begeistert. Seitdem hat sich jedoch viel getan, und wir nutzen JMP aktuell für Statistiken und, was noch wichtiger ist, für Automatisierungen und die Produktqualitätskontrolle.
Diese Metaanalyse ist nur ein Beispiel dafür, wie viel Zeit und Aufwand wir durch den Einsatz von JMP eingespart haben. Wir erhalten experimentelle Daten von Kundenbetrieben zu den Auswirkungen unserer Produkte auf die Überlebensrate bzw. Mortalität von Ferkeln. Vor fünf Jahren begann diese Metaanalyse als drei- bis fünfwöchiger, Excel-intensiver Prozess. Mit der Zeit entwickelte sie sich zu einem weitgehend automatisierten JMP-Prozess, der nur noch eine Woche oder weniger dauert. Dank dieser Zeitersparnis haben wir mehr Zeit für wertschöpfende Prozessschritte, wie die Präsentation der Daten für unsere Kunden und das Verfassen von Abstracts für Konferenzen. Wir können außerdem mehr Zeit in die Datenanalyse investieren, um wertvolle Informationen zu gewinnen und so bei jeder Präsentation etwas Neues zu präsentieren. JMP hat uns den Wert von Prozesslandkarten und den Einfluss der Automatisierung auf unsere Datenanalyse verdeutlicht.
Hallo zusammen! Mein Name ist Stefan Buzoiano. Ich bin Senior Scientist bei Tonisity International. Heute geht es um unseren Weg von Excel zu JMP-Automatisierungen. Meine E-Mail-Adresse finden Sie hier auf dem Bildschirm. Bei Fragen oder Anregungen freue ich mich über ein Like.
Zur Erklärung: Tonisity PX ist ein isotonisches Proteingetränk für neugeborene Ferkel. Es spendet Flüssigkeit und versorgt die Darmzellen mit wichtigen Nährstoffen. Dadurch überleben die Ferkel besser, wachsen schneller und sind gesünder. Man kann sich Tonisity PX wie eine Art Energiespeicher für den Darm vorstellen: Es liefert wichtige Nährstoffe, die den Zellstoffwechsel unterstützen, die Zellverbindungen stärken, einem durchlässigen Darm vorbeugen, das Immunsystem stärken und das Mikrobiom fördern. Als Haupteffekt beobachten wir eine verbesserte Überlebensrate der Ferkel bzw. eine geringere Sterblichkeit vor der Mast. Genau darum geht es in den nächsten Folien.
Wir haben im Laufe der Zeit gelernt, dass unsere Kunden immer mehr Wert auf Daten legen, und man kann nur begrenzt viel erreichen, indem man ein bis fünf Versuche präsentiert, denn die Leute werden nach Wiederholbarkeit, nach statistischen Analysen und nach Trends fragen.
Durch die Zusammenführung der Daten gewinnen unsere Kommunikation und die Verbreitung dieser Informationen deutlich an Aussagekraft. Indem wir Ergebnisse aus 10, 20, 50, 90 oder 100 Versuchen präsentieren, wecken wir das Interesse unserer Kunden und führen zu aussagekräftigeren Gesprächen und einem höheren Mehrwert für unser Produkt oder unseren Marktzugang. Mehr Daten bedeuten also mehr. Das ist die Stärke aggregierter Daten.
Um dies zu erreichen oder unsere Datenkapazitäten zu erweitern, führen wir diese Mortalitäts-Metaanalysen etwa einmal jährlich durch. Bisher haben wir sechs Iterationen abgeschlossen. Wir begannen 2018 mit rund 29 Studien und 33.000 Schweinen. Aktuell befinden sich 91 Studien mit 185.000 Schweinen in unserer Datenbank. Wir haben also sechs Iterationen dieser Datenanalyse durchgeführt und bauen dabei auf den vorherigen Daten auf, um den aktuellen Stand zu erreichen.
Betrachtet man den Zeitaufwand und die durchgeführte Analyse, fällt auf, dass wir 2018 viel Daten in Excel aufbereitet haben. Die rote Markierung kennzeichnet die Excel-Datenaufbereitung, die orangefarbene die Analyse mit SAS und JMP und die blaue die Weitergabe der Ergebnisse – den wertschöpfenden Schritt. Unsere Führungskräfte, der Vorstand und unsere Kunden interessieren sich mehr für die Weitergabe der Ergebnisse als für die Datenmanipulation selbst, wie man vielleicht annehmen würde.
Wir begannen mit einem sehr Excel-intensiven Prozess. Es dauerte acht Tage, bis wir die Datenbank wirklich verstanden und mit all den Formeln und dem Kopieren und Einfügen zurechtgekommen waren. Dabei unterliefen uns auch einige menschliche Fehler. 2019 trug zwar nicht viel zum Datensatz bei, aber wir haben die Ergebnisse trotzdem nicht umfassend verbreitet.
Wir haben JMP im Jahr 2020 eingeführt. Wir haben unsere Datenbank grundlegend überarbeitet und ab 2021 den Fokus verstärkt auf die Verbreitung von Daten gelegt, wodurch die Datenmanipulation drastisch zurückging. Man sieht also, dass wir uns bereits auf diesen wertschöpfenden Schritt im Bereich der Datenverbreitung konzentriert haben.
Dies ist eine weitere Betrachtungsweise, unterteilt nach den einzelnen Prozessschritten. Also Datenaufbereitung, -analyse und -verteilung in Excel. Wir sehen, wie sich der Zeitaufwand für Excel deutlich reduziert hat – von 8 Tagen auf 0,1 Tage. Das ist ein signifikanter Unterschied und steigert den Wert unseres Prozesses erheblich. Weniger Datenmanipulation, weniger Fehler und insgesamt weniger Arbeitsaufwand.
Der Analyseschritt: Hier in der Mitte haben wir uns nicht verändert, aber wir sind von einem SAS-intensiven Prozess zu einem JMP-intensiven Prozess übergegangen, und das hat seine Vorteile, da wir viele Dinge an einem Ort behalten.
Der Hauptfokus liegt jedoch darauf, dass wir den Zeitaufwand für die Verbreitung von Informationen von einem halben Tag auf etwa vier Tage verkürzt haben. Dies bringt einen erheblichen Mehrwert für die tägliche Arbeit. Beispielsweise haben wir dieses Jahr zwei Abstracts eingereicht. In den letzten Jahren haben wir einige Automatisierungen eingeführt und neue Analysen hinzugefügt. Die Zeitersparnis durch den Wegfall des Datenaustauschs in Excel konnten wir also sinnvoll für die Einreichung von Abstracts, die Verbreitung der Informationen, die Durchführung von Webinaren für unsere Kunden und den Austausch mit der akademischen Gemeinschaft nutzen.
Das ist unser Datenanalyseprozess, und er ist so unübersichtlich, wie ein Datenanalyseprozess nur sein kann. Viele Tabellen, viele Interaktionen, viele Zusammenfassungen, Zusammenführungen und so weiter. Das Wichtigste dabei ist, dass ein Großteil der Arbeit in JMP erledigt wird. Wir verwenden nur wenig Excel, etwas SAS, aber hauptsächlich JMP.
So sieht der Prozess im Hintergrund aus: Wir importieren die Daten aus Excel in JMP, verarbeiten sie mit SAS, importieren sie wieder in JMP und erstellen so die Mastertabelle, die die Grundlage jeder unserer Analysen bildet. Hier werden alle weiteren Daten identifiziert und verarbeitet. Wir führen eine Metaanalyse der Mortalität durch, aufgeschlüsselt nach fünf geografischen Regionen, zwei Behandlungsprotokollen und vier genetischen Faktoren. Insgesamt wurden etwa 13 Komponenten dieser Datentabelle automatisiert und werden nahtlos im Hintergrund von JMP zusammengeführt.
Wir haben also einige regelmäßig aktualisierte Diagramme, die iterativ angepasst werden. Der Code ist bereits geschrieben, JMP übernimmt die Hauptarbeit. Wir führen lediglich die Skripte aus. Diese Zeitersparnis ermöglicht es uns, uns, wie bereits erwähnt, auf die Dateninterpretation und -verbreitung zu konzentrieren. Wir können nun die Daten genauer betrachten und analysieren, wann unser Produkt optimal funktioniert und wann unerwartete Ergebnisse aufgetreten sind. Dadurch können wir gemeinsam mit unseren Kunden Fehler beheben und sicherstellen, dass sie mit unserem Produkt einen echten Mehrwert erhalten.
Und genau das machen wir im Hintergrund. Es sind also einige eher langweilige Schritte. Wir schauen uns die Excel-Daten an, importieren sie in JMP, führen eine erste Datenaufbereitung durch, auf die wir gleich eingehen und die wir demonstrieren werden. Anschließend senden wir die Daten an SAS, analysieren sie, und die Ausgabe erfolgt in Excel. Diese importieren wir wieder in JMP und führen verschiedene Mortalitätsdurchschnitte, p-Werte und andere Kennzahlen zusammen. Abschließend erstellen wir Diagramme und eine PowerPoint-Präsentation.
Wie bereits erwähnt, übernimmt JMP die schwere Arbeit für uns mit Formeln, Verkettungen und all dem im Hintergrund, sodass wir uns auf die Daten konzentrieren können, um Verbreitung, Zusammenfassungen, Webinare, Kundenschulungen und so weiter durchzuführen.
Wir gehen zu unserer Demo, und jeder JMP-Nutzer hält inne und hofft kurz, dass der Code reibungslos funktioniert. Schauen wir mal. Das ist mein JMP-Projekt. Nichts Besonderes, einfach viele Codezeilen. Was ich an JMP besonders schätze, ist die Möglichkeit, ganze Codeabschnitte auszublenden. Ich lade alles in den Speicher, koordiniere die einzelnen Schritte und führe die Codeabschnitte über dieses Bedienfeld rechts aus. Jetzt laden wir die Tabellen und beginnen mit der Arbeit.
Wir müssen uns dann mit SAS verbinden. Im Hintergrund wird Code ausgeführt. Wir exportieren die Tabelle nach SAS, damit sie verarbeitet werden kann. SAS liefert anschließend einige recht unübersichtliche Tabellen. Es gibt sieben Tabellen mit allen p-Werten und verschiedenen Schätzungen, die zusammengeführt und in unser Mastertabellenformat übertragen werden müssen. JMP kann das problemlos für uns erledigen. Dies ist unsere Mastertabelle. Das war's.
Dann bleiben uns hier links einige Tabellen übrig, für die wir keine Verwendung haben. Natürlich löschen und schließen wir sie. Tut mir leid, wir sind da nicht so gut. Das Problem ist nur, dass hier noch einige Tabellen übrig sind. Ich muss den Code für die Abbildungen oder Diagramme aus einer älteren Version der Iteration verwenden.
Genau das tun wir. Hier sehen Sie die Codes und Skripte, und ich kann damit experimentieren. Das sind meine Standarddiagramme. Ich kann sie nach Bedarf anpassen. Da ist noch eins. Perfekt. Auch dies ist nur ein Beispiel für eines der Diagramme. Wir haben die Mortalität der Kontrollgruppe auf der X-Achse, die Mortalität der PX-Behandlung auf der Y-Achse und diese kleinen Markierungen. Dadurch kann ich erkennen, wo sich die europäischen Studien befinden; jeder dieser Punkte steht für eine Studie in unserer Datenbank. Es gibt eine Reihe von US-Studien mit sehr hoher Mortalität. Die asiatischen Studien weisen hier unten in der Regel eine niedrige Mortalität auf.
Dadurch kann ich die Daten flexibel analysieren und ihre Zusammenhänge verstehen, anstatt umständlich Daten aus SAS über Excel zu importieren und in Excel Diagramme zu erstellen. Das spart uns enorm viel Zeit.
Perfekt. Dazu noch ein paar Schlussfolgerungen. JMP bedeutet für uns weniger Datenmanipulationen, wodurch sich die JMP-Lizenz schnell amortisiert. Menschliche Fehler werden minimiert. Die JMP-Software übernimmt die komplexe Arbeit mit allen Formeln, Verkettungen, Tabellenverknüpfungen – einfach alles, was man sich vorstellen kann. Das läuft im Hintergrund, sodass menschliche Fehler ausgeschlossen sind. Beim Erstellen des Codes wurde alles berücksichtigt. Diese Zeitersparnis ermöglicht es uns, uns auf wertschöpfende Tätigkeiten zu konzentrieren: Datenanalyse, das Schreiben von Abstracts, Webinare und Kundengespräche. So können wir unsere Zeit optimal nutzen.
Es ermöglicht uns umfangreiche Fehlersuche und die Interpretation der Daten auf verschiedene Weise sowie diverse Datenanalysen. Besonders hervorzuheben ist, dass wir all dies 2020 begonnen haben und keinerlei Vorkenntnisse in JMP-Skripting besaßen. Wenn ich es geschafft habe, schaffen Sie es auch. Vielen Dank. Meine E-Mail-Adresse finden Sie auf dem Bildschirm. Bei Fragen oder Anregungen stehe ich Ihnen gerne zur Verfügung.
