Потребители сегодня более образованы, чем когда-либо, что привело к изменению предпочтений в сторону, среди прочего, большей прозрачности в отношении источников ингредиентов, отходов и тестирования продуктов. Это побудило компании искать новые способы оставаться конкурентоспособными — только для того, чтобы обнаружить, что необходимые эксперименты и корректировки могут отнимать много времени и ресурсов. В результате производители потребительских товаров стали свидетелями перехода к цифровизации и автоматизации тестирования, чтобы сократить затраты и время выхода на рынок.
Наша команда экспертов по данным и аналитике в Starschema недавно помогла косметической компании из списка Fortune 50 оцифровать процесс тестирования, чтобы ускорить цикл исследований и разработок без ущерба для качества. Проект предлагает хороший взгляд на то, как лидер отрасли подходит к передовому решению для прогнозирования, которое также относительно легко применимо для любого бизнеса, который занимается сопоставимыми исследованиями и разработками, поэтому позвольте мне углубиться в вас!
«Подойдет ли этот скраб для лица?»
Вариант использования, вдохновивший компанию на попытку оптимизировать жизненный цикл исследований и разработок, мало чем отличался от вирусной серии рекламных роликов под названием «Будет ли это сочетаться?». В нем всевозможные необычные предметы попадали в блендер с по крайней мере полу-ожидаемыми результатами. Ключевым моментом здесь является ожидание: никто не был особо удивлен, увидев, что сложные устройства, такие как смартфоны, появляются, по крайней мере, непригодными для использования из блендера промышленного уровня, но точная природа и степень эффекта стали предметом многих онлайн-спекуляций.
Компании, проводящие крупномасштабные исследования и разработки, могут иметь точно такое же четкое представление о том, как продукт будет вести себя с течением времени при воздействии различных воздействий, таких как температура, влажность и свет. Но в то время как исследователи могут делать высококвалифицированные предположения, основанные на обширных знаниях и опыте в предметной области, для обеспечения неизменно надежных и действенных прогнозов в масштабе, необходимом предприятию, потребуются индивидуальные современные решения для обработки данных.
Прогнозирование стабильности продуктов — это новый важный рубеж в разработке продуктов, поскольку он гарантирует, что продукты сохранят свою эффективность и безопасность на протяжении всего срока годности. Кроме того, прогнозы стабильности позволяют компаниям оптимизировать рецептуры своих продуктов, снизить риск отзыва продукции и свести к минимуму отходы, что уже само по себе является хорошим бизнесом, но тем более с учетом повышения осведомленности клиентов и спроса, о которых я упоминал во вступительной части.
В конечном итоге наша команда разработала комплексное решение, включающее инженерию данных, визуализацию и науку, которое автоматизирует анализ концентрации ингредиентов в продуктах, находящихся в разработке, чтобы помочь прогнозировать их стабильность. Это сокращает время и стоимость процесса разработки продукта при достижении аналогичных или даже улучшенных результатов.
Три основных компонента
Наше решение для цифровизации процесса тестирования состояло из трех основных компонентов: процессов ETL, информационной панели и алгоритма, основанных на тесном сотрудничестве между экспертами в предметной области (SME), учеными и менеджерами. Преимущества каждого компонента также будут значимы для клиента по отдельности.
Процессы ETL позволяют компании извлекать и преобразовывать данные из различных источников. Мы тесно сотрудничали с малыми и средними предприятиями, чтобы создать процессы ETL, адаптированные к конкретным потребностям компании, чтобы они могли принимать больше решений на основе данных.
Панель управления способствует принятию решений на основе данных, упрощая использование и взаимодействие с идеями без глубоких знаний в области анализа данных или программирования. Таким образом, менеджеры могут отслеживать эффективность тестирования с помощью KPI производительности продукта в режиме реального времени и сравнивать продукт с аналогичными продуктами на основе ингредиентов, функций ингредиентов и типа продукта, чтобы быстро определить возможности для улучшения. Например, если новый продукт плохо работает в определенном сценарии тестирования, информационная панель помогает сравнить результаты с аналогичными продуктами на основе общих ингредиентов (консервантов или активных ингредиентов), упаковки и типа продукта.
Алгоритм служит последним и наиболее важным компонентом решения, позволяя компании прогнозировать стабильность продукта на основе концентрации ингредиентов. Анализируя данные о предыдущих продуктах, алгоритм может предсказать, как будет работать новый, что имеет большое значение для минимизации риска запуска продуктов, которые не соответствуют стандартам качества и нормативным требованиям. Созданный нами алгоритм использует комбинацию контролируемых и неконтролируемых методов машинного обучения, включая регрессионный анализ и алгоритмы уменьшения размерности, и постоянно обновляется с учетом новых данных и отзывов от малых и средних предприятий, что позволяет постоянно повышать точность прогнозов.
Заключение
По мере того, как такие отрасли, как фармацевтика и косметика, продолжают развиваться, цифровизация и автоматизация станут еще более важными для обеспечения безопасности, эффективности и соответствия продуктов нормативным требованиям, а зачастую и таким же строгим ожиданиям клиентов. Приведенный выше пример — это лишь один из способов, с помощью которого сотрудничество между малыми и средними предприятиями, учеными, менеджерами и партнером по внедрению может привести к индивидуальному и комплексному решению, которое оптимизирует процессы тестирования и оценки и позволяет компаниям разрабатывать безопасные, эффективные и инновационные продукты быстрее и на более высоком уровне. эффективно.
Об авторе
Габор Берей (Gábor Berei) — специалист по обработке и анализу данных в компании Starschema с многолетним опытом работы в банковской, энергетической, косметической и медицинской отраслях. Его основное внимание уделяется помощи крупным корпорациям в создании инструментов на основе машинного обучения для реализации передовых аналитических решений.
Свяжитесь с Габором в LinkedIn.
ОБРАЩАЙТЕСЬ К STARSCHEMA ЗДЕСЬ:
ЧИТАЙТЕ БОЛЬШЕ ИСТОРИЙ ОТ STARSCHEMA:
