Основни изводи
Кратък отговор: Описателната и предиктивната аналитика са две стъпала на аналитичната стълба, разделени по посока на времето. Описателната аналитика обобщава това, което вече се е случило, превръщайки историческите данни в отчети, табла за управление и KPI, които описват миналото и текущото представяне.
Предиктивната аналитика използва модели в тези исторически данни, за да прогнозира какво е вероятно да се случи след това — предсказва повреди, търсене или проблеми с качеството преди да възникнат. Описателната гледа назад и отговаря на въпроса какво се е случило; предиктивната гледа напред и отговаря на въпроса какво ще се случи.
Описателната е необходимата основа, защото предиктивните модели са толкова добри, колкото и историческите данни, от които се учат. Много рамки добавят диагностична (защо се е случило) и предписателна (какво да се направи) като следващи стъпала.
Описателната аналитика е обобщаването на исторически и текущи данни, за да опише какво се е случило и какво се случва в момента.
Тя е най-разпространената и основополагаща форма на аналитика: отчетите, таблата за управление, KPI-тата, таблата за резултати и обобщенията, които превръщат суровите данни в разбираема картина на миналото и настоящето представяне.
Когато табло показва продукцията от миналия месец, престойът за тази седмица или текущия процент дефекти — това е описателна аналитика; тя агрегира и представя какво данните казват, че е станало, без прогнози или обяснения.
Нейната задача е видимост: да вземе големи обеми оперативни данни и да ги сведе до метрики и визуализации, които хората могат да прочетат с един поглед, за да разберат състоянието на бизнеса.
Описателната аналитика отговаря на въпроса "какво се е случило?" (и "какво се случва?") и е основата, върху която се изгражда цялата по-сложна аналитика, защото не можете да диагностицирате, прогнозирате или предписвате без първо да имате ясна, точна обобщение на това, което наистина се е случило.
Повечето от ежедневната работа, която правят аналитичните организации, е описателна, и изпълняването ѝ добре — чисти, навременни, доверяеми отчети — е предпоставка за всичко по-напреднало.
Предиктивната аналитика използва модели в историческите данни, за да прогнозира какво е вероятно да се случи в бъдеще.
Вместо да обобщава миналото, тя се учи от миналото, за да прави вероятностни изявления за това, което следва, прилагайки статистически модели и машинно обучение върху историческите данни, за да предскаже резултати като повреди на оборудване, нива на търсене, проблеми с качеството или поведение на клиентите преди те да възникнат.
Когато модел анализира вибрациите на машина и историята на повредите ѝ, за да оцени вероятността тя да се повреди през следващите две седмици, това е предиктивна аналитика.
Изходът е по своята същност вероятностен — прогноза с несигурност, а не гаранция — защото проектира модели напред в бъдеще, което все още не се е случило.
Предиктивната аналитика е по-напреднала и по-ценна от описателната, защото действията спрямо надеждна прогноза позволяват да предвидите събития, вместо просто да реагирате на тях; но тя е и по-взискателна, изисквайки достатъчно качествени исторически данни, подходящи модели и експертиза за тяхното изграждане и валидиране.
Предиктивната аналитика отговаря на въпроса "какво ще се случи?", превръщайки историческия запис, който описателната аналитика организира, в инструмент за предвиждане.
Основната разлика е посоката във времето: описателната аналитика гледа назад, предиктивната аналитика гледа напред. Описателната обобщава миналото и настоящето; тя е фактологична и отчита това, което данните вече показват, че се е случило.
Предиктивната проектира в бъдещето; тя е вероятностна, оценявайки какво най-вероятно ще се случи въз основа на модели в тази минала информация.
Описателната оперира със сигурност относно това, което се е случило (цифрите са такива, каквито са); предиктивната оперира с вероятности относно това, което ще се случи (прогнозата носи несигурност).
Тази разлика в посоката води до разлика във стойността и трудността: описателната ви казва къде сте били и къде сте — което е съществено, но реактивно — докато предиктивната ви казва накъде вероятно вървите, което е по-ценно, но по-трудно и никога не е гарантирано.
Критично е, че двете са последователни, а не независими: предиктивната аналитика консумира същите исторически данни, които описателната организира и зависи от тях. Поглеждате назад, за да обобщите, след което използвате това обобщено минало, за да погледнете напред.
Същите данни стоят в основата и на двете; разликата е дали ги отчитате или проектирате от тях.
Описателната и предиктивната са две стъпала на широко използвана аналитична стълба, която преминава от най-малко към най-напреднала и ценна.
Класическите четири стъпала са: описателна (какво се случи), обобщаваща миналото; диагностична (защо се случи), анализираща миналото, за да открие причини; предиктивна (какво ще се случи), прогнозираща бъдещето; и предписателна (какво трябва да направим), препоръчваща или автоматизираща най-доброто действие предвид прогнозата.
Всяко стъпало надгражда върху долните: не можете надеждно да диагностицирате без добра описателна база, не можете добре да предсказвате без разбиране на историческите модели и не можете да предписвате без доверена прогноза.
Стойността и сложността нарастват, когато се изкачвате; предписателната аналитика, която препоръчва оптимални действия, е най-ценна, но и най-трудна и най-интензивна по отношение на данни и модели.
Практическият извод е, че стълбата трябва да се изкачва по ред: организациите, които се опитват да прескочат към предиктивна или предписателна аналитика, преди да установят солидна, доверена описателна аналитика (чисти данни, надеждно отчитане), обикновено се провалят, защото напредналите стъпала са изградени върху основата, която осигуряват долните.
Описателната е първото стъпало с причина.
Вземете поддръжката на критична машина. Описателната аналитика произвежда таблото: то показва, че машината е имала 12 часа престой през миналия месец, изброява историята на повредите и очертава тенденцията на наличността — ясно обобщение на това, което се е случило.
Мениджърът по поддръжката, който го чете, разбира миналото представяне на машината.
Предиктивната аналитика отива по-нататък: модел, обучен на същата история плюс данни от мониторинг на състоянието (вибрация, температура), оценява, че машината има например 80% вероятност от повреда на лагер в следващите две седмици — прогноза за това, което ще се случи.
Тази прогноза позволява предиктивна поддръжка: планирайте смяната на лагера сега, по време на планиран престой, преди повредата да спре линията.
Същите подлежащи данни, два съвсем различни въпроса и две много различни стойности: описателният изглед ви казва, че машината е имала проблеми миналия месец (полезно, но вече след факта), докато предиктивният изглед ви казва, че предстои повреда и ви дава време да я предотвратите.
Обърнете внимание на зависимостта: предиктивният модел не би могъл да съществува без историческия запис, който описателната аналитика улавя и организира. Описателната основа е точно това, което прави предиктивната прогноза възможна.
Практическото ръководство е първо да изградите описателната основа, а след това да добавите предиктивна там, където възвръщаемостта го оправдава.
Започнете с правилната имплементация на описателната аналитика: чисти, навременни, доверяеми отчети и табла за управление, които точно обобщават какво се случва, изградени върху добро качество на данните.
Това е ценно само по себе си (не можете да управлявате това, което не виждате) и е неудържимата основа за всичко над нея.
След това добавете предиктивна аналитика селективно, където прогнозите за бъдещи събития носят висока стойност — прогнозиране на повреди на оборудване (предиктивна поддръжка), прогнозиране на търсенето, предвиждане на отклонения в качеството — и където имате достатъчно качествени исторически данни, за да обучите надеждни модели.
Съпротивлявайте се на често срещаното изкушение да гоните предиктивни и AI възможности преди описателната основа и качеството на данните да са налични; напреднали модели, изградени върху лоши или непълни исторически данни, дават ненадеждни прогнози — класическото "garbage in, garbage out" (входни данни с лошо качество водят до лоши резултати). Изкачвайте стълбата в ред и позволявайте стойността на всяка прогноза да оправдае инвестицията за изграждането ѝ.
Предписателната аналитика, която препоръчва или автоматизира действия, идва по-късно, когато предиктивните прогнози са доверени. Дисциплината е последователност: здрава описателна първо, целенасочена предиктивна след това, предписателна накрая.
OEE отчитането само по себе си е описателна аналитика: показателите Наличност, Производителност и Качество, разбивките на престой по причини и тенденциите на загубите са всички обобщения на това, което се е случило на производствената площадка — приложението на описателното стъпало към производственото представяне.
Тези записани OEE и данни за загуби са също точно историческата основа, от която предиктивната аналитика се нуждае: богат, точен запис на повреди, причини за престой, събития на забавяне и загуби в качеството е това, от което моделите за предиктивна поддръжка и предсказване на качеството се учат.
Така че доброто описателно OEE е предпоставка за изкачване по стълбата — не можете да предсказвате аварии или отклонения в качеството без доверена история за тях.
Затова аналитичното пътешествие в производството обикновено започва със солидно OEE отчитане (описателно), преминава към диагноза на повтарящи се загуби и след това позволява предвиждане на повреди преди да се случат.
Къде се съхраняват тези исторически данни и как се обработват свързва въпроса за data lake срещу data warehouse и въпроса за edge срещу cloud обработката — архитектурата, която превръща описателните OEE данни в основа за предиктивни модели.
Fabrico доставя описателната основа — точен, в реално време OEE с Наличност, Производителност и Качество и причини за престой, който както управлява производството днес, така и изгражда историческия запис, от който предиктивната аналитика ще се нуждае утре.
Като улавя загубите с кодове за причини във времето, то създава чиста, структурирана история на повредите и събитията с качество, от която се учат моделите за предиктивна поддръжка и предсказване на качеството, така че описателното стъпало да е солидно преди да се изкачите към предсказанието.
Резервирайте демонстрация, за да изградите OEE основата, върху която се крепят вашите анализи.
Описателната аналитика обобщава какво се е случило — отчети, табла и KPI, описващи миналото и текущото представяне. Предиктивната аналитика използва модели в тези исторически данни, за да прогнозира какво е вероятно да се случи след това. Описателната гледа назад и е фактологична; предиктивната гледа напред и е вероятностна.
Защото предиктивната, диагностичната и предписателната аналитика всички се надграждат върху нея — те използват историческите данни, които описателната аналитика улавя и организира. Без чисти, доверяеми обобщения на това, което се е случило, прогнозите и препоръките почиват върху слаба основа. Трябва да изкачите аналитичната стълба в правилния ред.
Описателна (какво се случи), диагностична (защо се случи), предиктивна (какво ще се случи) и предписателна (какво да се направи). Всяка надгражда върху предишните, а стойността и сложността нарастват с изкачването. Повечето организации трябва първо да установят солидна описателна аналитика, преди да преследват предиктивна или предписателна.
Не надеждно. Предиктивните модели се учат от исторически данни, затова техните прогнози са толкова добри, колкото и тези данни — входни данни с лошо качество водят до лоши резултати. Прескачането към предиктивна аналитика преди установяването на солидна описателна основа и добро качество на данните обикновено дава ненадеждни прогнози и разочароващи резултати.
OEE отчитането е описателна аналитика; то обобщава Наличност, Производителност, Качество и загуби, които са се случили. Тази записана история на загубите е също така основата, от която предиктивните модели се нуждаят, за да прогнозират повреди и отклонения в качеството. Добро описателно OEE е предпоставка за преминаване към предиктивна поддръжка и предсказване на качеството.
Вход
Блог
