Abbiamo iniziato a usare JMP quattro anni fa. Eravamo stanchi della pesantezza di Excel e apprezzavamo le funzionalità drag-and-drop di JMP e la sua facilità d'uso. Da allora, però, abbiamo fatto molta strada e attualmente utilizziamo JMP per le statistiche e, soprattutto, per l'automazione e il controllo qualità dei prodotti.
Questa meta-analisi è solo un esempio del tempo e della fatica che abbiamo risparmiato grazie a JMP. Riceviamo dati sperimentali dagli allevamenti dei nostri clienti sull'impatto dei nostri prodotti sulla sopravvivenza e la mortalità dei suinetti. Questa meta-analisi, iniziata cinque anni fa, era un processo che richiedeva dalle tre alle cinque settimane e un intenso utilizzo di Excel. Nel tempo, si è trasformata in un processo JMP prevalentemente automatizzato, che ora richiede una settimana o meno. Questo risparmio di tempo ci permette di dedicare più tempo alle fasi del processo a valore aggiunto, come la presentazione dei dati ai nostri clienti e la stesura di abstract per le conferenze. Ci consente inoltre di dedicare più tempo all'analisi dei dati per estrarre informazioni preziose, il che ci permette di proporre sempre qualcosa di nuovo a ogni presentazione. JMP ci ha davvero insegnato il valore di seguire le mappe di processo e l'impatto che le automazioni possono avere sul modo in cui interpretiamo i dati.
Ciao a tutti. Mi chiamo Stefan Buzoiano e sono Senior Scientist presso Tonismity International. Oggi parleremo del nostro percorso da Excel alle automazioni di JMP. Il mio indirizzo email è qui sullo schermo, quindi per qualsiasi domanda o suggerimento, lasciate un like.
Un po' di contesto: Tonisity PX è una bevanda proteica isotonica somministrata ai suinetti appena nati, che fornisce idratazione e nutrienti essenziali per le loro cellule intestinali. Di conseguenza, i suinetti sopravvivono meglio, crescono più velocemente e sono più sani. Si può quindi pensare a Tonisity PX come a una vera e propria "power bank" per l'intestino, in quanto fornisce nutrienti fondamentali per supportare il metabolismo cellulare, rafforzare le giunzioni cellulari, prevenire la permeabilità intestinale, supportare il sistema immunitario e il microbiota intestinale. Come effetto principale, osserviamo un miglioramento della sopravvivenza dei suinetti o una riduzione della mortalità prenatale. Ed è proprio di questo che parleremo nelle prossime diapositive.
Abbiamo imparato che i nostri clienti stanno iniziando a esaminare i dati sempre di più, e che mostrare solo uno o cinque studi ha dei limiti, perché le persone ti chiederanno della ripetibilità, dell'analisi statistica e delle tendenze.
Aggregando i dati, il nostro discorso e la nostra diffusione di questo materiale diventano molto più efficaci. Mostrando i risultati di 10, 20, 50, 90, 100 prove, i nostri clienti iniziano a prestare attenzione e riusciamo ad avviare discussioni più significative e a creare maggiore valore aggiunto per il nostro prodotto o per il nostro accesso al mercato. Quindi, più dati si hanno, meglio è. Questo è il potere dei dati aggregati.
Per fare ciò o per migliorare le nostre capacità di gestione dei dati, eseguiamo queste meta-analisi sulla mortalità circa una volta all'anno. Quindi, ad oggi, abbiamo effettuato sei iterazioni. Abbiamo iniziato nel 2018 con circa 29 studi e 33.000 suini. A partire da questo mese, abbiamo 91 studi nel nostro database con 185.000 suini. Quindi, sei iterazioni di questa analisi dei dati, e stiamo aggiungendo i risultati della precedente alla situazione attuale.
Esaminando l'impegno profuso in termini di tempo e le attività svolte per questa analisi, notiamo che nel 2018 abbiamo dedicato molto tempo alla preparazione dei dati in Excel. Il colore rosso indica la preparazione dei dati in Excel, l'arancione l'analisi tra SAS e JMP, e il blu la fase di diffusione, ovvero la fase a valore aggiunto. I nostri dirigenti, il Consiglio di Amministrazione e i nostri clienti sono più interessati alla diffusione dei risultati che alla manipolazione dei dati, come si potrebbe pensare.
Abbiamo iniziato con un processo che faceva un uso intensivo di Excel. Ci sono voluti otto giorni per capire davvero il database e lavorare con tutte quelle formule e operazioni di copia e incolla. C'è stato un bel po' di errore umano. Il 2019 non ha aggiunto molto al set di dati, ma non abbiamo comunque fatto molta diffusione.
Abbiamo adottato JMP nel 2020. Abbiamo rinnovato completamente il nostro database e, a partire dal 2021, abbiamo iniziato a concentrarci maggiormente sulla diffusione delle informazioni, riducendo drasticamente la manipolazione dei dati. Come si può notare, già allora ci stavamo focalizzando su questo aspetto a valore aggiunto nella fase di diffusione.
Questo è un altro modo di analizzare il processo, suddiviso per fase. Quindi, preparazione, analisi e diffusione dei dati in Excel. Possiamo notare la riduzione del tempo dedicato a Excel. Da 8 giorni a 0,1 giorni, un dato significativo che apporta un grande valore aggiunto al nostro processo. Meno manipolazione dei dati, meno errori e meno giorni di lavoro.
Fase di analisi: Qui al centro siamo rimasti invariati, ma siamo passati da un processo basato principalmente su SAS a un processo basato principalmente su JMP, e questo ha i suoi vantaggi perché manteniamo molte informazioni in un unico posto.
Ma il punto fondamentale è che siamo passati da mezza giornata dedicata alla diffusione dei risultati a circa quattro giorni. E questo ha un grande valore aggiunto per il lavoro quotidiano. Ad esempio, quest'anno abbiamo presentato due abstract. Negli ultimi due anni abbiamo automatizzato alcuni processi e aggiunto nuove analisi. Quindi, il tempo che abbiamo guadagnato non dovendo più trasferire dati avanti e indietro in Excel è stato ben impiegato nella presentazione degli abstract, nella diffusione delle informazioni, nell'organizzazione di webinar per i nostri clienti e nel dialogo con la comunità accademica.
Questo è il nostro processo di analisi dei dati, ed è quanto di più complesso e macchinoso si possa immaginare. Tante tabelle, molte interazioni, molte operazioni di riepilogo, unione e via dicendo. La cosa fondamentale è che gran parte del lavoro più impegnativo viene svolto in JMP. Excel è usato pochissimo, un po' di SAS, ma perlopiù è JMP.
Ecco come si svolge il processo in background. Importiamo il set di dati o il database da Excel a JMP. Lo elaboriamo tramite SAS, lo reimportiamo in JMP e otteniamo questa tabella principale, che rappresenta la spina dorsale di ciascuna delle nostre analisi. È qui che tutto il resto viene identificato e procede. Quindi abbiamo una meta-analisi sulla mortalità complessiva per cinque regioni geografiche, per due protocolli di somministrazione e per quattro fattori genetici. Circa 13 componenti di questa tabella di dati sono stati automatizzati e vengono uniti senza soluzione di continuità in background da JMP.
Abbiamo quindi dei grafici regolari che si evolvono di iterazione in iterazione. Il codice è già scritto, JMP si occupa del lavoro più gravoso per noi. Noi dobbiamo solo eseguire gli script. E tutto questo risparmio di tempo ci permette di concentrarci, come ho detto, sull'interpretazione dei dati e sulla loro diffusione. Ora siamo in grado di analizzare i dati in modo approfondito, per capire quando il nostro prodotto funziona molto bene e quando invece si sono verificati problemi che hanno prodotto risultati inaspettati. Questo ci consente di risolvere i problemi con i nostri clienti e di assicurarci di offrire loro un valore aggiunto quando utilizzano il nostro prodotto.
Ecco cosa facciamo fondamentalmente in background. Ci sono una serie di passaggi noiosi. Analizziamo i dati in Excel, li importiamo in JMP, eseguiamo un'analisi preliminare, di cui parleremo tra un attimo e che mostreremo. Li inviamo a SAS, li analizziamo e il risultato è in Excel, li reimportiamo in JMP e uniamo le medie di mortalità, i valori P, altri riepiloghi, creiamo grafici e presentazioni PowerPoint.
Come ho già detto, grazie al fatto che JMP si occupa di gran parte del lavoro in background con formule, concatenazioni e altre operazioni complesse, noi possiamo concentrarci sull'analisi dei dati per la divulgazione, la redazione di abstract, la creazione di webinar, sessioni di formazione per i clienti e così via.
Passiamo alla nostra demo, ed è in questo momento che ogni utente di JMP si ferma per una breve preghiera affinché il codice funzioni senza intoppi. Diamo un'occhiata. Questo è il mio progetto JMP. Niente di troppo entusiasmante, solo tante righe di codice. Quello che mi piace davvero di JMP è che mi offre la possibilità di comprimere il codice, in modo da poter raggruppare intere sezioni. Sto caricando tutto in memoria, coordinando le diverse parti e eseguendo queste sezioni di codice dal pannello a destra. Ora importeremo le tabelle e inizieremo a lavorarci.
Dobbiamo quindi connetterci a SAS. Questo eseguirà del codice in background. Stiamo esportando la tabella in SAS affinché possa elaborare i dati. SAS ci restituisce delle tabelle piuttosto disordinate. Ci sono sette tabelle con tutti i valori P e ogni sorta di stime e altre informazioni che devono essere concatenate e importate nel formato della nostra tabella principale. JMP può farlo per noi senza problemi. Questa è la nostra tabella principale. Tutto qui.
Quindi ci ritroviamo con un mucchio di tabelle qui a sinistra che non ci servono. Ovviamente, le sistemiamo, le chiudiamo. Scusate, non siamo bravi. Il fatto è che ci rimangono alcune tabelle qui, dovrò portare il codice per le figure o per i grafici da una versione precedente dell'iterazione.
Stiamo facendo proprio questo. Puoi vedere i codici qui, gli script, e posso sperimentare. Questi sono i miei grafici standard. Posso modificarli a seconda delle necessità. Eccone un altro. Perfetto. Anche questo è solo un esempio di uno dei grafici. Abbiamo la mortalità del gruppo di controllo sull'asse X, la mortalità del trattamento PX sull'asse Y e queste piccole bandierine. Mi permettono di capire dove si trovano gli studi clinici europei, dove ognuno di questi punti rappresenta uno studio nel nostro database. Ci sono diversi studi statunitensi con una mortalità molto elevata. Quelli asiatici, invece, di solito hanno una mortalità bassa, qui in basso.
Questo mi permette di esaminare i dati con flessibilità e di capire cosa sta succedendo, invece di dover importare dati da SAS tramite Excel e creare grafici in Excel. Questo ci fa risparmiare un sacco di tempo.
Perfetto. Solo alcune conclusioni a riguardo. Quindi JMP significa che eseguiamo meno manipolazioni dei dati, quindi la licenza JMP si ripaga da sola. Abbiamo meno errori umani. Il software JMP si occupa del lavoro più pesante con tutte le formule, tutte le concatenazioni, tutte le unioni di tabelle, tutto ciò che si può immaginare. Fa tutto in background, quindi non c'è alcun errore umano. Era tutto già previsto quando ho scritto il codice. Tutto questo risparmio di tempo ci permette di concentrarci sulle fasi a valore aggiunto. Quindi analizzare i dati, scrivere abstract, tenere webinar, discutere con i nostri clienti. Quindi aggiungere più valore al nostro tempo.
Ci permette di risolvere molti problemi e di interpretare i dati in vari modi, oltre a consentirci di effettuare diverse analisi sui dati stessi. Un altro aspetto fondamentale è che abbiamo realizzato tutto questo a partire dal 2020, senza alcuna precedente esperienza di scripting con JMP. Se ci sono riuscito io, potete riuscirci anche voi. Grazie mille. Il mio indirizzo email è visualizzato sullo schermo. Se avete domande o suggerimenti, non esitate a contattarmi.
