• Tutti i processi, produttivi e non, sono affetti da variabilità!
•  La variabilità è "nemica della Qualità", ma anche sua "alleata" perché lancia dei segnali
•  Per cogliere tali segnali servono degli strumenti e cioè le "Metriche di Qualità"

------------------------

In ogni Azienda manifatturiera ad alta tecnologia, e in particolare in quelle che producono principi attivi o forme farmaceutiche, si generano quotidianamente enormi quantità di dati che rimangono perlopiù inutilizzati o vengono esaminati solo superficialmente. Si tratta di dati di sviluppo, di processo, di controllo qualità, ecc.

Questo inutilizzo comporta per l'Azienda la perdita parziale o totale dell'informazione che la stessa ha generato e i costi correlati.

Il perché di questo comportamento risiede spesso nella difficoltà di sapere come convertire i dati in conoscenza pratica. Il problema si complica ulteriormente se i dati si presentano come affollate tabelle, ossia nella cosiddetta forma multidimensionale.

Una risposta pratica a questa perdita di informazione è offerta dal data mining.

Al di là di un nome importante e della molteplicità di discipline di cui si serve (Computer Science, Statistica, ecc.), il data mining è un processo accessibile a tutti con limitato investimento che, avvalendosi di metodi quali quelli dell'Analisi Statistica Multivariata dei Dati (MVDA), consente di estrarre, in modo automatico o semiautomatico, informazioni utili da insiemi comunque grandi di dati.

In ambito chimico-farmaceutico, utilizzando i metodi del data mining, è quindi possibile estrarre agevolmente numerose informazioni riguardanti i processi produttivi e di controllo, informazioni che non sarebbero visibili, e quindi inutilizzabili, da un'analisi sommaria o focalizzata al singolo dato.

Nel corso del webinar, verrà mostrato attraverso casi pratici l'impiego di alcune tra le tecniche principali (Analisi del Componente Principale, Cluster Analysis e Regressione Lineare Multipla) idonee alla soluzione di problemi correlati ai processi e ai controlli dei prodotti.

La trattazione sarà condotta a livello discorsivo e con l'aiuto di numerose rappresentazioni grafiche.

Alla fine, una cosa sarà certa: una volta provatene le potenzialità, il data mining non lo si abbandona più!

--------------------

Introduzione e pratica premessa:

• Analisi dei dati e data mining
• Tipologia delle variabili
• Esempi di dataset
• Concetti di Covarianza e Correlazione e strumenti di visualizzazione (matrix plot,  correlogramma)

Case Study 1:

• Visualizzazione dei dati
• Analisi del Componente Principale (PCA)
  • riduzione della dimensionalità ovvero "la semplificazione del complesso"
  • visualizzazione dei risultati: scree plot, score plot
  • la distanza come misura di somiglianza
  • distanza di Mahalanobis: individuazione degli outlier e loro visualizzazione (outlier plot)
  • Cluster Analysis (CA)
  • cenno ai metodi di raggruppamento
  • cenno al raggruppamento partizionale: K-means clustering e visualizzazione dei risultati
  • cenno al raggruppamento gerarchico: dendrogramma e visualizzazione dei risultati

Case Study 2:

• Regressione Lineare Semplice e Multipla
• Costruzione di un modello e suo affinamento
• Tipi di effetti nei modelli di regressione: Principali e di Interazione
• Visualizzazione dei risultati: Main Effects Plot, Interaction Plot, Contour Plot, Surface Plot

•  Conclusioni finali e confronto con i partecipanti