¡Gracias, Chris Gotwalt, en tu 25 aniversario en JMP!
Con motivo del 25 aniversario de Chris Gotwalt en JMP, quiero que todos sepan lo importante que ha sido su trabajo para nosotros.
Chris ha liderado nuestro grupo de Desarrollo Estadístico durante muchos años y recientemente lo amplió con dos nuevos gerentes de desarrollo, Clay Barker y Laura Lancaster. Chris también ha estado a la vanguardia del liderazgo de JMP en software estadístico, implementando una gran cantidad de métodos importantes en JMP, como se detalla a continuación.
El 16 de mayo de 2001, Chris comenzó a trabajar en JMP como estudiante de posgrado con una beca de computación estadística del Departamento de Estadística de la Universidad Estatal de Carolina del Norte, donde obtuvo su doctorado. Bajo la tutela de Dennis Boos, su formación fue muy sólida en computación, métodos numéricos y estadística matemática. Desde su llegada a JMP, ha sido fundamental en gran parte de nuestro desarrollo estadístico.
El proyecto más reciente de Chris fue la nueva plataforma de optimización bayesiana. Chris fue el autor de todos los cálculos numéricos, y Kasia Dobrzycka desarrolló la interfaz de usuario. Tuvo que resolver muchos problemas complejos para generalizar el modelo de procesos gaussianos, entre ellos:
- Manejo de factores o respuestas categóricas.
- Aumento de lotes, de modo que se pueda realizar más de una ejecución a la vez.
- Gestionar muchos factores, incluso más de 20.
- Manejo de múltiples respuestas con objetivos contrapuestos con escasez compleja
- Gestionar objetivos que coincidieran con la meta en lugar de minimizarlos o maximizarlos.
- Manejo de restricciones de aleatorización, incluyendo bloqueo y división de parcelas.
- Manejo de restricciones de cardinalidad, utilizando conjuntos de candidatos personalizados.
El resultado es la plataforma de optimización bayesiana, una función destacada de JMP Pro 19. Chris trabajó en estrecha colaboración con Eastman Chemical y Procter & Gamble para ayudarles a resolver algunos de sus problemas de optimización más complejos.
Pero una de las contribuciones más valiosas que ha hecho Chris ha sido reunir al talentoso equipo de desarrolladores estadísticos, evaluadores y documentadores que son la base de nuestro producto.
Gracias, Chris, por contribuir a que JMP sea un producto excelente que nuestros usuarios valoran enormemente. Gracias a tu liderazgo, JMP se ha convertido (y se ha mantenido) como líder en computación estadística.
-John Sall
Hace un tiempo, recopilé la siguiente lista de logros de Chris para nominarlo a un premio. Es un buen reflejo del impacto que ha tenido en JMP.
Modelos mixtos
Chris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in CaryChris at Discovery Summit 2018 in Cary Chris en Discovery Summit 2018 en Cary SAS tiene una larga tradición en la investigación computacional de modelos mixtos, que comenzó con Jim Goodnight (coinventor de Mivque en su tesis doctoral) y continuó con Russ Wolfinger (autor de SAS Proc Mixed y autor pionero en modelos mixtos lineales generalizados), Oliver Schabenberger (autor de SAS Proc Glimmix) y Bradley Jones (desarrollador del diseño óptimo para modelos mixtos). Estos cuatro pioneros fueron honrados como miembros de la ASA, principalmente por su trabajo en computación para modelos mixtos. Chris Gotwalt ha extendido esa sólida tradición de maneras importantes.
Cuando Brad desarrolló el software para el diseño óptimo de experimentos de parcelas divididas, nos dimos cuenta de que faltaban dos eslabones importantes para que fuera práctico. Primero, necesitábamos realizar pruebas del tamaño adecuado para los efectos fijos. Anteriormente, en 1995, Kenward y Roger extendieron el trabajo de Harville y Kackar para producir grados de libertad del denominador del tamaño adecuado para las pruebas de efectos fijos, pero el cálculo era complejo. El ingenio de Chris fue fundamental para que estos cálculos fueran más manejables y eficientes. El segundo problema era lidiar con componentes de varianza negativos. Para obtener pruebas del tamaño adecuado, también hay que estructurar el problema de manera que el componente de varianza utilizado en los cálculos REML y K&R permanezca negativo. Permitir que sean negativos suena extraño, pero los componentes son en realidad covarianzas en un modelo de simetría compuesta, y para realizar estimaciones insesgadas, los estudios de simulación han demostrado que mantenerlos negativos es el enfoque correcto para obtener pruebas del tamaño adecuado. Con los DOE que surgen del diseño experimental óptimo con tamaños de muestra pequeños, la probabilidad de que sean negativos aumenta. Chris reorganizó todos los cálculos con algunas técnicas computacionales innovadoras para REML, lo que permitió hacerlo sin necesidad de las matrices n x n que PROC MIXED requería para lograr el mismo resultado. Gracias a estas innovaciones, el análisis de experimentos óptimos de parcelas divididas se volvió repentinamente muy práctico.
Durante su investigación sobre modelos mixtos y las propiedades de los ajustes de Kenward-Roger para las pruebas REML, Chris observó ciertas similitudes entre los cálculos y los que Firth investigó en la reducción del sesgo. Esto le permitió demostrar que el método REML era equivalente a una estimación de Firth y, por lo tanto, poseía todas sus propiedades. Si bien REML gozaba desde hacía tiempo de prestigio por producir las mejores estimaciones para modelos mixtos, se desarrolló como un método práctico para reproducir los cálculos del método de los momentos en casos equilibrados, y no como un método formal de optimización para la reducción del sesgo. El trabajo de Chris legitima REML tanto en la teoría como en la práctica.
Posteriormente, Chris se enfrentó al reto de ajustar la mayoría de las estructuras de covarianza de medidas repetidas que admitía PROC MIXED, aprovechando tanto la escasez de datos como las técnicas numéricas más recientes. El resultado es un motor que genera estimaciones mucho más rápido que los motores modernos de SAS HPMixed. Esto permitió estimar modelos de componentes de gran varianza en situaciones complejas de producción industrial.
Los algoritmos de modelos mixtos desarrollados por Chris constituyen la base de varias plataformas importantes en JMP Pro; son el fundamento de los modelos spline en el Explorador de Datos Funcionales, el núcleo de la plataforma de Modelos Mixtos Lineales Generalizados y la nueva plataforma de Selección de Variables para Modelos Mixtos. Laura Castro-Schilo y yo identificamos una conexión matemática entre los modelos SEM y los modelos mixtos lineales. Las dos primeras versiones de SEM se basaron en una transformación del problema de ajuste del modelo SEM en un caso especial (pero muy complejo) de un modelo mixto lineal.
Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023.Chris with Florian Vogt at Discovery Summit Europe in 2023. Chris con Florian Vogt en la Cumbre Discovery Europe de 2023. Impulso neuronal.
Hace unos años, cuando necesitábamos crear redes neuronales de mejor calidad, Chris se percató de que las rutinas de los desarrolladores anteriores dedicaban demasiado tiempo a calcular derivadas y aplicar el algoritmo de Newton-Raphson para un gran número de nodos en la capa oculta. Chris aceleró considerablemente los cálculos utilizando SR1. Sin embargo, también observó que una estrategia de boosting permitía resolver el problema por etapas, añadiendo algunos nodos ocultos en cada etapa, estimando solo unos pocos parámetros a la vez, con una detención temprana mediante validación cruzada para producir una de las mejores redes neuronales. Este método representó la vanguardia hasta el desarrollo de las redes neuronales convolucionales de aprendizaje profundo más recientes.
Muestreo de simulación
Nuestro grupo necesitaba un método para calcular las probabilidades de defectos en los extremos de las distribuciones normales multivariadas. Utilizamos modelos robustos de simulación de ingeniería de procesos que optimizaban las tasas de defectos con respecto a los límites de especificación en simulaciones multivariadas, y realizamos experimentos sustitutos para minimizar dichas probabilidades. La clave para que esto funcionara fue obtener probabilidades adecuadas para puntos situados hasta a 12 desviaciones estándar de distancia. Chris empleó diversos resultados teóricos para desarrollar un muestreador ponderado que calculara estas probabilidades, utilizando un método de estratificación radial.
Perfilado de MSA
En el análisis de sistemas de medición, Chris trabajó con Laura Lancaster y logró varios avances importantes. Uno de ellos fue el desarrollo de un enfoque bayesiano para generar componentes de varianza positiva para el análisis de sistemas de medición (MSA). Otro fue la capacidad de conectar un motor de simulación inteligente a un analizador de perfiles para obtener respuestas instantáneas sobre la detección de cambios en los gráficos de control, a partir de los cálculos del MSA. Ahora existe una manera sencilla de aplicar el análisis del MSA para responder preguntas reales sobre la capacidad de detectar cambios en los procesos.
Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016Chris chats at Discovery Summit 2016 Chris conversa en Discovery Summit 2016 sobre minería de texto.
La reducción de dimensionalidad necesaria para el análisis semántico latente en minería de texto requiere una descomposición en valores singulares (SVD) dispersa muy rápida. Chris la desarrolló utilizando métodos de Lanczos actualizados, pero luego observó que sería posible realizar una versión centrada para que fuera equivalente a los componentes principales sin sacrificar la velocidad de los cálculos dispersos. Los nuevos vectores singulares centrados deberían representar el espacio de texto mejor que el estado del arte actual. También nos permitió utilizar los cálculos dispersos en nuestras plataformas de análisis de componentes principales y de asociación. Entonces Chris se dio cuenta de que los mismos patrones de dispersión que observó al implementar el análisis de clases latentes (resolución de distribuciones de mezcla multinomial) podrían aplicarse para convertirse en una característica rápida de agrupamiento y generación de temas en minería de texto, una alternativa rápida de LCA a la asignación de Dirichlet latente.
Explorador de datos funcionales
Chris lideró el desarrollo del Explorador de Datos Funcionales. Si bien desempeñó un papel secundario en su desarrollo inicial, trabajó directamente con los clientes para diseñar una herramienta fácil de usar que simplificó enormemente la solución de problemas complejos de diseño de productos y procesos en diversos sectores.
Software estadístico
La clave de gran parte del éxito del software JMP ha sido una base de cálculo numérico rápida y precisa, y Chris diseñó e implementó la mayor parte de ella, además de organizar un mejor desarrollo de la interfaz de usuario.
Liderazgo
Como director de Desarrollo Estadístico de JMP, Chris ha formado y liderado un sólido equipo de desarrolladores. El software JMP se ha convertido en una herramienta fundamental para ingenieros y científicos de la industria, especialmente en los sectores de semiconductores, electrónica, productos de consumo, química y farmacéutica. Chris ha destacado particularmente en las áreas de modelos mixtos, confiabilidad y calidad de procesos. Además, se ha consolidado como un comunicador eficaz en la industria.
Y más
Aquí tenéis algunas innovaciones más del currículum de Chris:
- Desarrollé la biblioteca de matrices dispersas para acelerar los cálculos de modelos lineales.
- Desarrollé los solucionadores SR1 y GMRES para regresión penalizada, junto con Clay Barker en GenReg.
- Desarrollé fórmulas numéricas para los cálculos de potencia del gráfico de control.
- Se ha ampliado la técnica de Portnoy-Sahai para estimar los componentes de la varianza a partir de modelos de efectos aleatorios. Estas estimaciones se encuentran en la plataforma JMP Variability y proporcionan estimaciones estrictamente positivas que, si bien están sesgadas, presentan un error cuadrático medio (MSE) menor que las estimaciones REML.
- Desarrollé un algoritmo de muestreo estratificado en dos etapas para la simulación de eventos raros basada en modelos. La primera etapa utiliza un muestreo igual en los estratos para determinar los tamaños de muestra que minimizan la varianza y que se usarán en la segunda etapa. Este es el algoritmo numérico principal del Simulador de Perfiladores en JMP. (Posteriormente, también resultó importante para los cálculos de capacidad multivariante).
- Diseñé algoritmos para el análisis de experimentos computacionales, incluyendo diseños de potencial mínimo (de partículas electrostáticas) y diseños D-óptimos para modelos de procesos gaussianos.
- Desarrollé un algoritmo combinado de cuadratura y optimización para calcular el diseño D-óptimo bayesiano de experimentos para modelos no lineales y lineales generalizados.
- Se desarrollaron métodos para calcular la matriz de momentos exacta para problemas de mezclas y un enfoque de simulación para problemas con restricciones lineales más generales. Esto ha dado lugar a diseños que ofrecen predicciones más precisas en promedio y, por lo tanto, requieren menos simulaciones que los enfoques anteriores.
- Inventó un enfoque reparametrizado para encontrar diseños D-óptimos e I-óptimos que puso de manifiesto la escasez inherente del problema. Esto permitió obtener tiempos de actualización de O(1) para modelos de efectos principales y de O(p) para modelos de interacción. Los algoritmos anteriores que utilizaban únicamente actualizaciones de bajo rango siempre tenían una complejidad de O(p²). Estas mejoras algorítmicas amplían considerablemente el tamaño de los diseños que se pueden calcular.
- Regresión de Huber generalizada para definir una función de verosimilitud de una distribución multivariada cuyas estimaciones de máxima verosimilitud (MLE) generan matrices de covarianza robustas frente a valores atípicos.
- Desarrollé un marco integral para el ajuste de modelos de ecuaciones estructurales (SEM), los modelos principales utilizados en psicología y ciencias del comportamiento, que maneja grandes conjuntos de datos con estructura de agrupamiento y restricciones arbitrarias. El marco aprovecha la dispersión inherente y es más rápido que cualquier otro producto de la competencia que conozcamos. Probablemente, este fue el proyecto mejor diseñado en el que he trabajado.
- Desarrollé los métodos del JMP para el análisis de estudios conjuntos, que se utilizan ampliamente en la investigación de mercado, y colaboré con Bradley Jones en los cálculos de diseño para estudios conjuntos.
- Desarrollé los algoritmos de JMP para la previsión de series temporales modernas basados en modelos de suavizado exponencial.
Más recientemente
Otro trabajo destacable de Chris fue su implementación de la estimación de modelos mixtos REML para problemas complejos, donde interviene un efecto aleatorio en un modelo genómico, pero existen decenas o cientos de miles de expresiones génicas como respuestas. Chris adaptó los algoritmos REML para un n pequeño pero un p grande para que resultara práctico.
Chris comenzó a trabajar en JMP el 16 de mayo de 2001 como estudiante de posgrado con una beca de computación estadística del Departamento de Estadística de la Universidad Estatal de Carolina del Norte, donde completó su doctorado. Desde su llegada a JMP, ha sido fundamental en gran parte de lo que hemos desarrollado en el ámbito estadístico.
Cultura de la empresaArtículo de fondoNoticias de JMPRe: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Feliz 25.º aniversario, Chris! Este artículo y la pasión y energía que demuestras cada día evidencian el increíble impacto que has tenido en JMP y mucho más allá. Nos alegra celebrar este hito. ¡Salud!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Felicidades por tus veinticinco años en JMP, Chris! Este es un artículo excelente que destaca tus numerosas contribuciones como investigador, desarrollador, gerente de desarrollo y colaborador de clientes a lo largo de los años. Siempre es asombroso ver lo que los clientes pueden lograr con tus innovaciones. ¡Que vengan muchas más!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Enhorabuena, Chris! Tus innovaciones son realmente brillantes y redefinen constantemente los límites de uso y las capacidades de JMP, ofreciéndonos las mejores herramientas para compartir con nuestros clientes. Además, eres como el tipo de Dos Equis... cada vez que nos vemos, has hecho algo increíble e interesante en tu vida personal. ¡Brindemos por ti y tus numerosos logros!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Felicidades por tus 25 años, Chris! Esta es una impresionante lista de logros de los que todos nos beneficiamos. Personalmente, puedo confirmar que la gente se queda boquiabierta en las demostraciones de SEM cuando ven la velocidad con la que convergen nuestros modelos.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Muchísimas felicidades, Chris! Además de tus grandes logros técnicos, el impacto que tienes en el día a día de nuestros usuarios es increíble. Les permites tomar decisiones más inteligentes con facilidad y rapidez, ayudándonos a generar un alto nivel de confianza y respeto para impulsar TSR.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Enhorabuena, Chris! Me resulta imposible expresar con palabras lo mucho que he disfrutado pasando tiempo contigo, tanto en asuntos laborales como personales. Todo lo que he aprendido de ti es invaluable, al igual que nuestras conversaciones ajenas al ámbito estadístico. ¡Viva la Pompe!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Felicidades, Chris! Admiro tu habilidad para explicar teorías complejas y profundas de forma tan sencilla. He disfrutado mucho nuestras conversaciones sobre temas estadísticos y cotidianos. ¡Brindemos por otros 25 años!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Qué bonito halago para una mente brillante! Siempre me ha gustado la habilidad de Chris para no parecer el más listo de la sala, su facilidad para conversar y su facilidad para explicar ideas complejas. Personalmente, me he beneficiado mucho de ello. ¡Felicidades por tu aniversario! Espero verte pronto.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!
¡Feliz aniversario, Chris! Agradezco mucho tus contribuciones y tu amistad. ¡Felicidades!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Felicidades por vuestro 25 aniversario! Además de todo esto, hacéis que trabajar en JMP sea una experiencia alegre y maravillosa.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Felicidades por este aniversario tan especial, Chris! Nos sentimos muy afortunados de contar con tus múltiples talentos: no solo tu brillantez técnica, sino también tu sentido del humor, amabilidad y consideración, que contribuyen enormemente a la increíble cultura de JMP. Ha sido un placer trabajar contigo durante todos estos años y esperamos que siga siendo así por muchos más.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Enhorabuena, Chris! Aprecio enormemente cómo representas a JMP ante nuestros usuarios; tu forma de hablar sobre tu trabajo refleja la misma ambición vanguardista que vemos en nuestros clientes innovadores. Tu contribución a JMP es invaluable. ¡Gracias por todo lo que haces!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Muchísimas felicidades por tus 25 años! Gracias por el increíble impacto que has tenido en el software y en todos los que lo han utilizado. Nuestros usuarios tienen la suerte de contar con alguien tan dedicado a ayudarles a resolver sus problemas, y todos hemos tenido el privilegio de trabajar contigo. Estoy seguro de que no soy el único que piensa que el apoyo y el ánimo que me has brindado han marcado mi carrera de una manera que perdurará a lo largo de mi vida.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!Tantos logros importantes que han facilitado a los usuarios de JMP la obtención de información valiosa. Siempre es un placer conectar con ustedes. ¡Felicitaciones por este importante 25.º aniversario!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Felicidades, Chris!
Solo recuerdo esta cita.
“He aprendido que la gente olvidará lo que dijiste, la gente olvidará lo que hiciste, pero la gente nunca olvidará cómo la hiciste sentir.”
— Maya Angelou
Me sorprendió gratamente cuando me preguntaste sobre cómo reaccionarían los usuarios coreanos ante algunas características de la optimización bayesiana durante tu visita a Corea para asistir a la Discovery Summit.
¡GRACIAS!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Muchísimas felicidades, Chris! Esta lista es casi increíble. Has tenido y sigues teniendo una gran influencia en lo que hoy conocemos como software JMP, ya sea por los logros estadísticos o por las personas que has formado a tu alrededor. Pero además, guardo muchos recuerdos maravillosos de nuestra relación y del tiempo que compartimos. ¡Muchas gracias por ser una persona tan genial!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Bien hecho, Chris! Felicidades por tu aniversario laboral y por todos tus logros.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!Enhorabuena, Chris. Me impresiona tu larga lista de logros, pero sobre todo, quiero agradecerte tu accesibilidad y la facilidad con la que te llevas bien, tanto con tus compañeros como con nuestros clientes; junto con tu experiencia científica, eso es lo que te hace tan excepcional.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Feliz 25 aniversario!
Gracias por todo lo que aportas a JMP, a sus usuarios y a todos los empleados. Personalmente, he aprendido muchísimo de ti, tanto que es imposible cuantificarlo, y te lo agradezco enormemente. Tus contribuciones son realmente impresionantes, ¡y valoro muchísimo tu atención a los clientes y a sus necesidades analíticas!
Y dejando a un lado las estadísticas, ¡gracias por todos esos maravillosos momentos que compartimos juntos!
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!¡Enhorabuena, Chris! Eres un verdadero pilar de JMP, siempre superando las expectativas de JMP Pro. Tu trabajo marca la diferencia y nos ayuda a todos a destacar en nuestras conversaciones con los clientes :cara_que_sonríe_con_ojos_sonrientes:.
Es un placer celebrarte. Aprecio enormemente todo lo que aportas, tanto en lo profesional como en lo personal. Te deseo mucha felicidad y buena salud; estoy muy ilusionado con todos los proyectos que tenemos por delante.
Gracias,
Jessica
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!Chris, ¡tu trayectoria profesional hasta ahora ha sido verdaderamente excepcional! Tu profundo conocimiento de estadística y codificación numérica, tu investigación, tu liderazgo, tu pasión, tu agradable personalidad, tus habilidades comunicativas y tu sentido del humor son inigualables y un gran activo para JMP. Me alegra mucho tenerte como colega, amigo y compañero en la resolución de problemas mientras afrontamos juntos los retos que nos esperan.
Re: ¡Gracias, Chris Gotwalt, por tu 25 aniversario en JMP!Querido Chris, el hecho de que aceptaras unirte a una sesión de yoga con Manuela, Jessica y conmigo, y que casi nadie entienda lo que se te ocurre mientras corres o esquías, demuestra que eres excepcional. ¡Felicidades por tus 25 años en JMP! ¡Que vengan muchos más!
