Zhiwu Liang

Zhiwu Liang

Estadístico principal, Procter & Gamble

Meg Hermes

Meg Hermes

Directora de Referencias de Usuarios, JMP

Zhiwu Liang es el estadístico principal de Procter & Gamble, con sede en Bruselas. Con casi 20 años de experiencia en el sector de los bienes de consumo, Liang es experto en diseño de experimentos, modelos no lineales y predicción, modelado estadístico, árboles de decisión, análisis de series de tiempo y predicción. Tiene un doctorado en Demografía Matemática de la Universidad de Groningen en los Países Bajos.

En una conversación reciente, Zhiwu y Meg Hermes, directora de Referencias de Usuarios de JMP, hablaron sobre el curso de su carrera, la comunicación de datos a personas que no trabajan en estadística y las numerosas razones por las que considera importante fomentar una relación de colaboración con los desarrolladores de software de JMP.

Meg: Como parte de su rol en P&G, usted hace mucho por promover las habilidades de análisis a través de la enseñanza y la consultoría, así como hacer su propio trabajo con modelado más complejo y diseño experimental. ¿Cómo ha afectado su defensa de la transformación del análisis en P&G a su trayectoria profesional?

Zhiwu:  Mi trabajo es abogar por los métodos analíticos, pero también me ha ayudado a obtener reconocimiento en P&G. Una gran parte de eso es tener una herramienta adecuada con la que puedo comunicarme fácilmente con personas que no trabajan en estadística. Al impartir formación sobre JMP en P&G, me he dado a conocer no solo como estadístico, sino también como experto en JMP. Siempre que mis colegas tienen preguntas sobre JMP, independientemente de si están relacionadas con la estadística, acuden a mí. Soy capaz de detectar problemas relacionados con su diseño y su análisis de datos, hacérselos ver y ayudarles a usar la herramienta correcta para el diseño de experimentos (DOE) o el modelado (análisis de datos). Todo esto incluso antes de que se den cuenta de que han utilizado el método incorrecto.

Meg: Cuénteme más sobre el uso diario de JMP. ¿De qué forma facilita este software sus procesos estándar, o incluso su trabajo en general?

Zhiwu: Para mí, JMP no es solo una herramienta para el análisis de datos; también es un método de comunicación con el que transferir el pensamiento estadístico complejo a un sencillo gráfico o perfilador, permitiendo así que otras personas (especialmente las que no trabajan en estadística) comprendan los datos y los modelos. La herramienta de JMP que uso con más frecuencia es el diseño de experimentos (DOE), y es mucho mejor que otro software. En P&G, tenemos muchos cursos sobre estadística que requieren que los participantes utilicen JMP. Puede ver la emoción y la satisfacción de la gente cuando obtienen tan fácilmente resultados correctos incluso para los modelos más complejos. De hecho, ahora mis colegas también utilizan JMP a diario. Les gusta la función de visibilidad en JMP porque hace que sea fácil mostrar los resultados a sus superiores.

Meg: Una cosa que es relativamente única sobre la organización de JMP es que vemos que la creación de relaciones es una forma de optimizar los beneficios que nuestros clientes obtienen de su inversión en JMP. ¿Puede hablar un poco sobre cómo interactúa con la organización de JMP y con la red más amplia de usuarios?

Zhiwu: Hay muchos foros en community.jmp.com que utilizamos para compartir información y hacer consultas sobre JMP. Personalmente prefiero las Discovery Summits porque allí siempre se puede aprender cosas nuevas, ya sea un nuevo método, una nueva herramienta o una nueva aplicación. Uno también puede entablar contacto fácilmente con otros usuarios y con los desarrolladores de software de JMP. Al hablar con los arquitectos del software, se puede desarrollar una comprensión aún mejor de los métodos a los que se puede acceder con JMP. Se puede sugerir que añadan nuevas funciones para un modelo específico en las siguientes versiones.

Meg: Eso es interesante. ¿Por qué es tan valioso poder brindar este tipo de comentarios a los desarrolladores de software de JMP?

Zhiwu: Para P&G es muy importante cultivar este tipo de relación de colaboración. Tenemos miles de personas que utilizan JMP a diario. Diferentes funciones y categorías tienen diferentes necesidades. A veces incluso tenemos que combinar herramientas de Excel con JMP para resolver preguntas particularmente difíciles. Por lo tanto, debemos dar el feedback oportuno a JMP sobre cualquier funcionalidad existente que no esté dando resultado en situaciones específicas. Es entonces cuando pedimos a los desarrolladores de JMP que mejoren el software o que hagan sugerencias sobre cómo P&G podría crear una herramienta complementaria de JMP (que, debo decir, solo podría funcionar para la versión actual). Esa es la forma en que JMP puede mejorar la vida de las personas en P&G.

Meg: ¿Cuál es el futuro de JMP en P&G?

Zhiwu: Con el auge de la ciencia de datos y el aprendizaje automático en P&G, esperamos que JMP pueda incorporar más técnicas de aprendizaje automático (como las redes neuronales convolucionales, las herramientas de LightGBM, Catboost y NPL, al igual que han hecho con XGBoost) para facilitarnos la vida y resolver la mayoría de nuestros problemas con una sola herramienta.