Diese Präsentation basiert auf einem JMP Discovery Europe-Vortrag von Silvio Miccio aus dem Jahr 2017. Das Video beginnt mit einer Beschreibung der Schritte, die ich in der Demo durchführe. Nachfolgend einige Hintergrundinformationen zum Video:
Einige Zitate
- Deming – „Statistik ist zu wichtig, um sie den Statistikern zu überlassen“ (Analytics)
- Kasten – „Alle Modelle sind falsch, aber wie falsch müssen sie sein, um nicht nützlich zu sein?“
- Autor unbekannt – „Verlieben Sie sich nicht in Ihre Models. Sie werden Ihre Liebe NICHT erwidern“ – Die Dinge ändern sich!
- Carly Fiorina – „Das Ziel besteht darin, Daten in Informationen und Informationen in Erkenntnisse umzuwandeln.“
- John Sall (der Erfinder von JMP) - „Daten geben selten alle Informationen preis. Man muss sie erforschen. Dazu muss man mehrere Werkzeuge verwenden. Der Prozess sollte so einfach wie möglich und die Werkzeuge so leistungsstark wie möglich sein.“
Einführung
Beim Testen verschiedener Rohstoffe oder Formulierungsbestandteile werden diese üblicherweise als mehrstufige kategorische Variablen (z. B. A, B, C usw.) variiert. In diesem Szenario müssen alle Optionen getestet werden, um das beste Kandidatenmaterial zu identifizieren. Dies führt dazu, dass zeitaufwändige physikalische Tests erforderlich sind und das resultierende Modell nur zur Vorhersage der getesteten Optionen geeignet ist, nicht jedoch zur Vorhersage von Optionen mit unterschiedlichen physikalischen/chemischen Eigenschaften.
Ein wesentlich effizienterer Ansatz besteht darin, das Experiment auf der Grundlage der physikalischen/chemischen Eigenschaften jeder neuen Materialoption zu entwerfen. Dadurch kann die Anzahl der erforderlichen experimentellen Bedingungen erheblich reduziert werden und es entsteht ein nachhaltiges empirisches Modell, das zuvor nicht getestete Optionen vorhersagen kann.
Beispieldatensatz, der in dieser Präsentation verwendet wird
- 45 Rohstoffoptionen, die eine potenzielle Verbesserung eines Bestandteils der Produktformulierung darstellen
- Materialoptionen können durch 19 physikalische und chemische Deskriptoren beschrieben werden (ein kategorischer zweistufiger Faktor wurde als -1/1 kodiert)
- Zwei zu optimierende Antworten (Y1 max, Y2 min)
Typisches Testverfahren
- Testen Sie (jede) Rohstoffoption in der Basisformulierung
Objektiv
- Vorhersage des optimalen Materials (auch Optionen, die möglicherweise noch nicht physisch verfügbar sind)
- Identifizieren Sie die verfügbaren Materialoptionen, die dem Gesamtoptimum am nächsten kommen
- Etablierung eines nachhaltigen empirischen Modells, das auch neue Rohstoffoptionen vorhersagen kann
- Dieser Ansatz basiert auf einer chemometrischen Anwendung namens QSAR (Quantitative Structure-Activity Relationship).
Beispiele für physikalische und chemische Eigenschaften
- Mw – Molekulargewicht
- C – die Anzahl der Kohlenstoffatome am hydrophoben Ende des Tensids
- Griffin HLB – das hydrophil-lypophile Gleichgewicht (HLB) nach Griffin
- CMC – kritische Mizellenkonzentration
- Anzahl der Ketten……
Zusammenfassung
- Komprimieren Sie die verfügbaren Informationen zu physikalischen und chemischen Eigenschaften verschiedener Optionen über Hauptkomponenten von Experimenten. Wählen Sie die „Ecken der Box“ zum Testen repräsentativer Rohstoffe basierend auf Design
- Wählen Sie die „Ecken der Box“ für die Prüfung repräsentativer Rohstoffe auf der Grundlage der Versuchsplanung aus
- Modellieren Sie die Daten über PLS (oder andere geeignete Modellierungsmethoden).
- Finden Sie die optimale Gesamtlösung
- Identifizieren Sie die physisch verfügbaren Optionen, die der berechneten optimalen Lösung am nächsten kommen
→ Hocheffizientes Experimentieren
→ Nachhaltiges empirisches Modell basierend auf physikalischen/chemischen Eigenschaften
→ Sagt optimale Rohstoffeigenschaften voraus, obwohl das als optimal identifizierte Material
Table with ChemicalBiological Properties (non P&G Example)Tabelle mit chemisch-biologischen Eigenschaften (kein P&G-Beispiel) Tabelle mit chemisch-biologischen Eigenschaften (kein P&G-Beispiel)
