超越预测-二阶分析

简介:

行业专家认为简单地做预测不足以通过分析推动价值。并例举了一个例子,在失败的分析计划的故事后,往往缺乏采取行动,而需要采取预测,并把它们变成一些有价值的东西。在最终确定之后,然后采取正确的行动,往往导致额外的要求,甚至更复杂的分析,除了初始努力到达预测,以下来探讨这意味着什么。

识别操作是下一步

一旦人们有一个预测,模拟或预测,下一步是确定需要什么行动来实现潜在的价值。让我们考虑使用传感器数据进行预测或基于状态维护的例子。在这种类型的分析中,捕获并分析传感器数据以识别一件设备的问题是可能的。例如,齿轮内的摩擦和温度的增加可能表明在整个组件失效之前需要更换某些部件。

提前识别问题听起来不错。人们所要做的就是确定什么时候会发生什么事情,然后在事件发生前解决。这样做节省了资金,并允许人们避免计划外的维护停机。人们准备好前进吗?它可能是一个复杂的过程,以确定如何最好地执行修复。

如何采取行动需要更多的分析

行业专家与一家大型飞机制造商的高级主管讨论了这个话题。他阐述了在装配设施中管理维护的复杂性,这些设备需要花费数十万美元甚至数百万美元。其观点是,他的团队现在能够提前确定某些大修的需要。这样可以帮助他们的产品更安全,更可靠,成本更低,时间更充分。然而,他也认为难以确定实际中断计划过程以进行修复的最佳方式。

假设装配线上的一个组件被标记为可能在接下来的60天内会出故障。好消息是,主动更换零件可以节省数百万美元,有大量的前置时间来进行维修。坏消息是,选择何时进行修复并不是一个简单的练习。这个高级主管解释说,他的团队的决策过程必须考虑各种因素:

·部件在识别的窗口中更快失效的可能性有多大?

·订单将被中断或延迟是否取决于部件修理的日期和时间?

·依赖于装配线的各种即将到来的订单的合同条款是什么?

·哪些定期设施产出是其他重大活动的关键路径,哪些不是?

·何时停机是由于其他原因导致的?

·而且更多…

最后,有必要进行一个完整的二阶分析,以确定实际进行修复的最佳时间。对于具有严格合同条款的主要客户,延迟关键订单,保证交货可能会比早期维修节省的成本高得多。另一方面,在修复较慢的一天,其中装配线正在装配不太关键的组件,其中延迟的一天或两天则是无关紧要的进行切换的理想时间。

不要因为额外的复杂性而猝不及防

决定何时采取行动以进行必要的修理实际上成为一个优化问题,随着时间的推移与在任何时间点维修相关的成本,需要平衡日益增加的失败风险。从长远来看,等待一段时间,承担一些额外的风险可能会更有利可图。然而,它需要一个完整的二阶分析来确定何时是最佳修复时间。

这个高管的案例中,根据预测性维护模型的结果执行的二次分析的复杂性还没有被完全理解,也没有预先考虑。但他认为他的组织在最初的努力中肯定节省了一些成本,在第一时间进行维修。然而,很快显而易见的是,如果他们不能仅仅预测故障,而是识别进行修复的最佳时间,则有更多的价值被捕获。

这里的教训是,在解决复杂和大规模的业务问题的情况下,从分析结果来获取最大价值可能很困难。而从预测到行动是必要的。但是,人们可能还需要额外的分析层,以确定执行的最佳时间,方法,顺序和/或操作组合。重要的是,不仅要识别和规划组织的初始分析,而且要预先规划任何再次分析。这样,组织可以进行预算,计划和执行的方式,最终获得成功。

本文转自d1net(转载)

相关文章
|
5月前
|
机器学习/深度学习 数据可视化
R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据
R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据
|
2天前
|
机器学习/深度学习 算法
贝叶斯线性回归:概率与预测建模的融合
本文探讨了贝叶斯方法在线性回归中的应用,从不确定性角度出发,介绍了如何通过概率来表达变量间关系的不确定性。文章首先回顾了古希腊天文学家使用本轮系统模拟行星运动的历史,并将其与傅里叶级数分解方法类比,强调了近似的重要性。接着,通过高斯分布和贝叶斯推断,详细讲解了线性回归中的不确定性处理方法。文章使用Howell1数据集,展示了如何构建和拟合高斯模型,并通过先验预测模拟验证模型合理性。最后,介绍了多项式回归和样条方法,展示了如何逐步增加模型复杂性以捕捉更细微的数据模式。贝叶斯方法不仅提供了点估计,还提供了完整的后验分布,使得模型更具解释性和鲁棒性。
12 1
贝叶斯线性回归:概率与预测建模的融合
|
5月前
|
机器学习/深度学习
【机器学习】噪声数据对贝叶斯模型有什么样的影响?
【5月更文挑战第10天】【机器学习】噪声数据对贝叶斯模型有什么样的影响?
|
4月前
|
机器学习/深度学习 算法 大数据
【机器学习】拉索回归与坐标下降法
【机器学习】拉索回归与坐标下降法
53 0
|
5月前
R语言Lee-Carter模型对年死亡率建模预测预期寿命
R语言Lee-Carter模型对年死亡率建模预测预期寿命
|
5月前
|
机器学习/深度学习 传感器 自然语言处理
时间序列预测的零样本学习是未来还是炒作:TimeGPT和TiDE的综合比较
最近时间序列预测预测领域的最新进展受到了各个领域(包括文本、图像和语音)成功开发基础模型的影响,例如文本(如ChatGPT)、文本到图像(如Midjourney)和文本到语音(如Eleven Labs)。这些模型的广泛采用导致了像TimeGPT[1]这样的模型的出现,这些模型利用了类似于它们在文本、图像和语音方面获得成功的方法和架构。
110 1
|
5月前
|
机器学习/深度学习 算法 数据挖掘
R语言气象模型集成预报:神经网络、回归、svm、决策树用环流因子预测降雨降水数据
R语言气象模型集成预报:神经网络、回归、svm、决策树用环流因子预测降雨降水数据
|
5月前
|
算法 vr&ar Windows
R语言广义矩量法GMM和广义经验似然GEL估计ARMA、CAPM模型分析股票收益时间序列
R语言广义矩量法GMM和广义经验似然GEL估计ARMA、CAPM模型分析股票收益时间序列
|
5月前
|
算法 vr&ar
时变马尔可夫区制转换MRS自回归模型分析经济时间序列
时变马尔可夫区制转换MRS自回归模型分析经济时间序列
|
5月前
|
机器学习/深度学习 算法
R语言隐马尔可夫模型HMM识别股市变化分析报告
R语言隐马尔可夫模型HMM识别股市变化分析报告