Как начать проект анализа данных на производстве

Эта статья о

• Как специалист по маркетингу, специализирующийся на программных решениях, Стефани обсуждает некоторые основные вопросы об аналитике данных, которые обычно задают производственные эксперты.

Тема аналитики данных настолько же разрекламирована, насколько и подвергнута сомнению - спектр мнений варьируется от «данные как новое масло для экономики» до «выводы аналитиков не на 100% надежны» и все нюансы между ними. Каждый по-своему верен. Чтобы помочь вам лучше понять эту тему, я собрал несколько повторяющихся вопросов, которые обычно задают специалисты по производству, и обсудил их с нашими инженерами по производственной аналитике, ИТ-экспертами и специалистами по обработке данных.

1. На каком организационном уровне или с какой функции следует начинать наш проект по анализу данных?

Нет лучшего уровня или функции. С чего начать проект зависит от нескольких факторов:

Ваша компания уже хорошо понимает концепцию анализа данных?
В противном случае лучше всего начать с проведения ориентировочного семинара по анализу данных как для экспертов, так и для руководства. Цель этого семинара - поделиться базовым пониманием возможностей аналитики и определить возможные варианты использования.

Имеет ли руководство (глубокое) понимание технического процесса?
Если нет, то первым делом вам может быть предложен семинар с участием специалистов производственного участка. Результатом обычно является причинно-следственная диаграмма (см. Ниже). Как правило, наша группа по анализу данных (состоящая из специалистов в области ИТ, производства и обработки данных) задает подробные вопросы, например:«Хотите ли вы провести различие между переделкой и браком?» В лучшем случае может быть очень полезно привлечь руководство для достижения серьезной поддержки.

Источник:Bosch.IO

Была ли определена конкретная проблема, которую должна решить аналитика данных?
В таком случае вы можете сначала выбрать инструмент аналитики. Проблема может быть столь же конкретной, как «усилия по тестированию EoL слишком велики и их необходимо сократить». После этого группа аналитиков может сразу же начать работу с экспертами по производственному сайту, чтобы определить, можно ли применить существующий инструмент сокращения времени тестирования или как его можно настроить или расширить.

2. Какими перспективами нам нужно управлять в проекте анализа данных?

Благодаря исследованию пользовательского опыта, проведенному Bosch, мы знаем, что есть три типа специалистов по установкам, к которым необходимо обращаться, каждый по-своему, например, больше на уровне бизнеса, больше на техническом уровне или больше на уровне данных.

Источник:Bosch.IO

скептически настроенный нужны доказательства преимуществ, которые принесет аналитика данных. Чтобы убедить скептика, нам нужно отличное понимание механизмов окупаемости инвестиций, и мы должны уметь быстро подтверждать эти механизмы с результатами, уделяя особое внимание результатам, качеству и затратам.

непредубежденный type интересуется новыми способами оптимизации. Особое внимание следует уделять объяснению того, какие методы используются, почему выбраны определенные алгоритмы и почему полученная модель прогнозирования готова для применения в реальных данных.

верующий обычно уже знаком с аналитикой данных и считает, что это может иметь значение для бизнеса. Лучший способ начать - немедленно применить CRISP-DM (межотраслевой стандартный процесс интеллектуального анализа данных, см. Диаграмму ниже) вместе с ним или ее командой для проекта анализа данных.

Источник:Bosch.IO

По нашему опыту, ориентационные семинары в целом оказались очень полезными для получения поддержки всех заинтересованных сторон. Обычно мы начинаем с бизнес-вопроса, а затем повторяем, понимая технический процесс и ограничения, связанные с этим вопросом. Нашим инженерам не раз удавалось убедить клиентов в том, что комплексный регрессионный анализ можно легко передать как преимущество.

3. Какие знания нам нужны для реализации проекта по анализу данных?

Стефани Пейтцкер

Имею высшее образование в области менеджмента со специализацией в области географии (Аугсбургский университет, Германия). С 2003 года я работаю в Bosch.IO (ранее Bosch Software Innovations):я разработал маркетинг для Visual Rules, нашей системы управления бизнес-правилами и внес свой вклад в привлечение клиентов по всему миру. С января 2009 года я руковожу командой по маркетинговым решениям в Bosch.IO, гибкой командой, в настоящее время состоящей из семи сотрудников, все из которых стараются постоянно узнавать больше о потребностях клиентов и рыночных тенденциях - сосредоточены на том, чтобы сделать программные решения реальными.

Вашей команде по анализу данных необходимо получить базовые знания в трех областях:

Бизнес: Как заказчик, вы должны рассказать им о целях и требованиях проекта с точки зрения бизнеса, чтобы они могли преобразовать эти знания в определение проблемы анализа данных.

Данные: Подготовка данных, моделирование, оценка и развертывание - все, от простого создания отчетов до развертывания прогнозных моделей в реальном времени. Понимание чистых данных оказалось прочной основой, полезной во многих отраслях, но при этом не уделяется внимания производству.

Технический процесс: Вы, как заказчик, должны дать базовое объяснение всей производственной цепочки создания стоимости, например процесс сварки, лазерный процесс, тестирование или процесс затяжки, в зависимости от вопроса, на который должна ответить аналитика. Вот где аналитической группе нужен инженер по производственной аналитике.

4. Что необходимо сделать моей производственной организации перед развертыванием Manufacturing Analytics?

На первый взгляд, сбор и подготовка данных кажутся сложной задачей для многих специалистов по производству. Основой для них является предоставление данных по мере необходимости. «У нас нет данных» - недопустимый ответ. Но это не ракетостроение. Мы рекомендуем руководство по качеству данных, которое поможет клиентам в процессе подготовки данных с точки зрения количества, качества и достоверности, необходимых для аналитики.

Источник:Bosch.IO

5. Какой минимальный объем данных требуется для применения аналитики?

Как правило, мы рекомендуем иметь не менее 15 наблюдений или наборов данных для каждой влияющей переменной. Другими словами, для анализа влияния 30 параметров процесса на показатель качества потребуется не менее 30 * 15 =450 наборов данных.

Вообще говоря, конечно, чем больше у вас наборов данных, тем лучше. Не волнуйтесь - большее количество наборов данных не приведет к значительному увеличению объема ручной работы. Кроме того, они оказывают незначительное влияние на время вычислений, которое обычно незначительно при правильной ИТ-инфраструктуре для анализа данных.

Поскольку количество, качество и достоверность собранных и подготовленных данных имеют решающее значение для успеха проекта, инвестировать в этот этап вашего проекта окупается. Чтобы помочь вам в этом, мы объединили наш опыт, полученный во многих проектах, в набор рекомендаций по качеству данных. Наши клиенты используют это руководство для создания адекватной базы данных, не тратя лишнее время или деньги на сбор данных.

6. Могу ли я по-прежнему использовать аналитику, если в моей компании нет специалистов по обработке данных или большой ИТ-команды?

Это именно то, что ваш профессиональный партнер-аналитик внесет, чтобы помочь вам реализовать свой проект и решение. Сильная команда состоит из инженеров-технологов, ИТ-специалистов и специалистов по обработке данных. Эта комбинация является ключом к решению вашей проблемы с помощью подхода бережливой аналитики, поскольку разработка решения на основе аналитики требует понимания бизнеса, данных и технического процесса. Вам не нужно нанимать специалистов по обработке данных для вашей организации. Ваш профессиональный партнер проведет предпроектные семинары по базовой аналитике, на которых вы узнаете, как определять возможные варианты использования и помогать проверять разработанные модели. Затем вы примените эти знания на встречах по проекту для обсуждения результатов.

Источник:Bosch.IO