Comenzamos a usar JMP hace cuatro años. Estábamos cansados de la complejidad de Excel y nos encantaron las funciones de arrastrar y soltar de JMP, así como su facilidad de aprendizaje. Sin embargo, hemos avanzado mucho desde entonces y actualmente usamos JMP para estadísticas y, lo que es más importante, para automatizaciones y control de calidad de productos.
Este metaanálisis es solo un ejemplo del tiempo y el esfuerzo que hemos ahorrado gracias a JMP. Recibimos datos experimentales de granjas clientes sobre el impacto de nuestros productos en la supervivencia/mortalidad de los lechones. Este metaanálisis comenzó hace cinco años como un proceso intensivo en Excel que duraba de tres a cinco semanas. Con el tiempo, se transformó en un proceso de JMP mayormente automatizado que se completa en una semana o menos. Este ahorro de tiempo nos permite dedicar más tiempo a pasos de proceso que aportan valor, como presentar los datos a nuestros clientes y redactar resúmenes para congresos. También significa que podemos dedicar más tiempo a buscar información relevante en los datos, lo que nos permite aportar algo nuevo en cada presentación. JMP nos enseñó el valor de seguir diagramas de flujo de procesos y el impacto que la automatización puede tener en nuestra forma de interpretar los datos.
Hola a todos. Me llamo Stefan Buzoiano y soy científico sénior en Tonisity International. Hoy vamos a hablar de nuestra transición de Excel a las automatizaciones con JMP. Mi correo electrónico está aquí en la pantalla, así que si tienen alguna pregunta o sugerencia, no duden en escribirme.
Para contextualizar, Tonisity PX es una bebida proteica isotónica que se administra a los lechones recién nacidos para hidratarlos y proporcionarles nutrientes esenciales para sus células intestinales. Como resultado, los lechones sobreviven mejor, crecen más rápido y gozan de buena salud. Podemos considerar Tonisity PX como una fuente de energía para el intestino, ya que proporciona nutrientes clave para el metabolismo celular, fortalece las uniones celulares, previene la permeabilidad intestinal, refuerza el sistema inmunitario y favorece la microbiota intestinal. Como efecto principal, observamos una mayor supervivencia de los lechones o una menor mortalidad prenatal. De esto hablaremos en las próximas diapositivas.
Hemos aprendido que nuestros clientes están empezando a analizar cada vez más los datos, y que mostrar solo entre uno y cinco ensayos no es suficiente, porque la gente preguntará sobre la repetibilidad, sobre el análisis estadístico y sobre las tendencias.
Al agrupar los datos, nuestro discurso y nuestra difusión se vuelven mucho más impactantes. Al mostrar los resultados de 10, 20, 50, 90 o 100 ensayos, nuestros clientes empiezan a prestar atención, lo que nos permite entablar conversaciones más significativas y generar mayor valor añadido para nuestro producto o nuestro acceso al mercado. Cuantos más datos, mejor. Este es el poder de los datos agregados.
Para ello, o para mejorar nuestras capacidades de análisis de datos, realizamos estos metaanálisis de mortalidad aproximadamente una vez al año. Hasta la fecha, contamos con seis iteraciones. Comenzamos en 2018 con unos 29 ensayos y 33 000 cerdos. A fecha de este mes, tenemos 91 ensayos en nuestra base de datos con 185 000 cerdos. Seis iteraciones de este análisis de datos, y estamos añadiendo la anterior hasta llegar a donde estamos hoy.
Al analizar el tiempo dedicado a este estudio, observamos que en 2018 realizamos gran cantidad de trabajo de preparación de datos en Excel. El color rojo indica la preparación de datos en Excel. El naranja indica el análisis entre SAS y JMP, y el azul indica la difusión, que es el paso que aporta valor. Nuestros ejecutivos, nuestro Consejo de Administración y nuestros clientes están más interesados en la difusión de los resultados que en la manipulación de datos, como cabría esperar.
Empezamos con un proceso que requería mucho uso de Excel. Nos llevó ocho días comprender bien la base de datos y trabajar con todas esas fórmulas y copiar y pegar. Hubo bastantes errores humanos. En 2019, aunque no se añadió mucho al conjunto de datos, tampoco se realizó mucha difusión.
Adquirimos JMP en 2020. Renovamos nuestra base de datos y, a partir de 2021, comenzamos a difundir mucha más información, y la manipulación de datos disminuyó drásticamente. Como pueden ver, ya nos estábamos enfocando en este paso de valor agregado en lo que respecta a la difusión.
Esta es otra forma de verlo, dividido por pasos en el proceso. Por ejemplo, preparación, análisis y difusión de datos en Excel. Podemos observar la reducción en el tiempo que dedicábamos a Excel: de 8 días a 0,1 días. Esto es bastante significativo y aporta mucho valor a nuestro proceso. Menos manipulación de datos, menos errores y menos días dedicados a esta tarea.
En la etapa de análisis, nos hemos mantenido iguales en la parte central, pero hemos pasado de un proceso intensivo en SAS a un proceso intensivo en JMP, y eso tiene sus ventajas porque mantenemos gran parte de la información en un solo lugar.
Pero lo más importante es que pasamos de dedicar medio día a la difusión a unos cuatro días. Esto aporta mucho valor al trabajo diario. Por ejemplo, este año hemos presentado dos resúmenes. En los últimos dos años hemos implementado algunas automatizaciones y hemos añadido nuevos análisis. Así pues, el tiempo que hemos ahorrado al no tener que transferir datos constantemente en Excel se ha aprovechado al máximo para presentar resúmenes, difundir la información, organizar seminarios web para nuestros clientes y comunicarnos con la comunidad académica.
Este es nuestro proceso de análisis de datos, así que es tan complejo como puede serlo. Muchas tablas, muchas interacciones, muchos resúmenes, fusiones y demás. Lo principal es que gran parte del trabajo pesado se realiza en JMP. Se usa muy poco Excel, algo de SAS, pero sobre todo JMP.
Así es como se ve el proceso internamente. Obtenemos el conjunto de datos o la base de datos de Excel en JMP. Lo procesamos con SAS, lo reincorporamos a JMP y obtenemos esta tabla maestra, que es la base de cada uno de nuestros análisis. Aquí es donde se identifican y se procesan todos los demás elementos. Tenemos un metaanálisis de mortalidad general por cinco regiones geográficas, dos protocolos de administración y cuatro factores genéticos. En resumen, se han automatizado aproximadamente 13 componentes de esta tabla de datos, y JMP los integra sin problemas en segundo plano.
Tenemos gráficos regulares que se actualizan iteración tras iteración. El código ya está escrito; JMP se encarga del trabajo pesado. Nosotros solo ejecutamos los scripts. Todo este ahorro de tiempo nos permite centrarnos, como ya mencioné, en la interpretación y la difusión de los datos. Ahora podemos analizar los puntos críticos de los conjuntos de datos, observar cuándo nuestro producto funciona correctamente y cuándo se han producido eventos inesperados. Esto nos permite colaborar con nuestros clientes para garantizar que les aportamos valor al trabajar con nuestro producto.
Y esto es básicamente lo que hacemos en segundo plano. Hay una serie de pasos tediosos. Abrimos un archivo de Excel, lo importamos a JMP, realizamos un análisis inicial (del que hablaremos en un momento) y lo demostraremos. Lo enviamos a SAS, lo analizamos y generamos un archivo de Excel. Lo volvemos a importar a JMP y combinamos promedios de mortalidad, valores p y otros resúmenes. Además, creamos gráficos y presentaciones de PowerPoint.
Como ya he dicho, gracias a que JMP se encarga del trabajo pesado con fórmulas, concatenaciones y demás procesos en segundo plano, podemos analizar los datos para realizar actividades de difusión, elaboración de resúmenes, seminarios web, sesiones de formación para clientes, etc.
Vamos a nuestra demo, y este es el momento en que cada usuario de JMP hace una breve pausa para rezar por que el código funcione a la perfección. Echemos un vistazo. Este es mi proyecto JMP. Nada demasiado emocionante, muchas líneas de código. Lo que realmente me gusta de JMP es que me dio estas opciones de plegado de código para que pueda contraer secciones enteras de código. Estoy cargando todo en la memoria, y estoy coordinando y estoy ejecutando estas secciones de código desde este panel en el lado derecho. Vamos a traer las tablas y empezar a trabajar con ellas.
Necesitamos conectarnos a SAS. Se ejecutará un código en segundo plano. Exportamos la tabla a SAS para que realice su trabajo. SAS nos devuelve unas tablas bastante desordenadas. Hay siete tablas con todos los valores p, estimaciones y demás información que debemos concatenar e importar al formato de nuestra tabla maestra. JMP puede hacerlo sin problema. Esta es nuestra tabla maestra. Eso es todo.
Entonces nos quedan un montón de tablas aquí a la izquierda que no nos sirven. Claro, las limpiamos, las cerramos. Lo siento, no somos muy buenos. El problema es que nos quedan algunas tablas aquí, tendré que traer el código para las figuras o para los gráficos de una versión anterior de la iteración.
Estamos haciendo precisamente eso. Puedes ver los códigos aquí, los scripts, y puedo experimentar. Estos son mis gráficos estándar. Puedo experimentar con ellos según sea necesario. Hay otro ahí. Perfecto. De nuevo, este es solo un ejemplo de uno de los gráficos. Tenemos la mortalidad del grupo de control en el eje X, la mortalidad del grupo de tratamiento PX en el eje Y, y estas pequeñas banderas. Me permite entender dónde están los ensayos en Europa, donde cada uno de estos puntos es un ensayo en nuestra base de datos. Hay un montón de ensayos en EE. UU. con una mortalidad muy alta ahí. Los de Asia suelen tener una mortalidad baja aquí abajo.
Esto me permite analizar los datos con flexibilidad y comprender su funcionamiento, en lugar de tener que importarlos manualmente desde SAS a Excel y generar gráficos en Excel. Eso nos ahorra muchísimo tiempo.
Perfecto. Solo unas pocas conclusiones al respecto. JMP significa que manipulamos menos datos, por lo que la licencia de JMP se amortiza sola. Reducimos los errores humanos. El software JMP se encarga de todo el trabajo pesado: fórmulas, concatenaciones, uniones de tablas, todo lo imaginable. Lo hace en segundo plano, así que no hay margen de error. Todo esto se gestionó automáticamente al programar el código. Este ahorro de tiempo nos permite centrarnos en las tareas que aportan valor: analizar los datos, redactar resúmenes, impartir seminarios web y conversar con nuestros clientes. En definitiva, optimizamos nuestro tiempo.
Nos permite solucionar muchos problemas e interpretar los datos de diversas maneras, así como realizar distintos análisis. Otro aspecto importante es que empezamos todo esto en 2020 sin ninguna experiencia previa en programación con JMP. Si yo pude hacerlo, ustedes también pueden. Muchas gracias. Mi correo electrónico aparece en pantalla. Si tienen alguna pregunta o sugerencia, estaré encantado de escucharla.
