Kluczowe wnioski
Krótka odpowiedź: Analityka opisowa i predykcyjna to dwa szczeble na drabinie analitycznej, rozróżnione kierunkiem czasu. Analityka opisowa podsumowuje to, co już się wydarzyło, zamieniając dane historyczne w raporty, dashboardy i KPI opisujące przeszłe i bieżące wyniki.
Analityka predykcyjna wykorzystuje wzorce w tych danych historycznych, aby prognozować, co prawdopodobnie wydarzy się dalej, przewidując awarie, popyt lub problemy z jakością zanim wystąpią. Analityka opisowa patrzy wstecz i odpowiada na pytanie, co się wydarzyło; predykcyjna patrzy w przyszłość i odpowiada, co się wydarzy.
Analityka opisowa jest niezbędnym fundamentem, ponieważ modele predykcyjne są tak dobre, jak dane historyczne, na których się uczą. Wiele ram dodaje analitykę diagnostyczną (dlaczego to się stało) i preskrypcyjną (co zrobić) jako kolejne szczeble.
Analityka opisowa to podsumowywanie danych historycznych i bieżących w celu opisania tego, co się wydarzyło i co dzieje się teraz.
Jest to najczęstsza i podstawowa forma analityki: raporty, dashboardy, KPI, karty wyników i podsumowania, które zamieniają surowe dane w zrozumiały obraz przeszłych i obecnych wyników.
Kiedy dashboard pokazuje ubiegłomiesięczną produkcję, czas przestojów w tym tygodniu lub aktualny wskaźnik wadliwości, to jest analityka opisowa, agreguje i prezentuje, co dane pokazują, bez prognozowania czy wyjaśniania.
Jej zadaniem jest widoczność: zebranie dużych wolumenów danych operacyjnych i skondensowanie ich w metryki i wizualizacje, które pozwalają szybko zrozumieć stan biznesu.
Analityka opisowa odpowiada na pytanie "co się wydarzyło?" (i "co się dzieje?") i jest fundamentem, na którym opiera się cała wyższa analiza, ponieważ nie można diagnozować, przewidywać ani zalecać działań bez najpierw jasnego, dokładnego podsumowania tego, co faktycznie miało miejsce.
Większość codziennych działań zespołów analitycznych to analityka opisowa, a wykonywanie jej dobrze, czyste, terminowe, godne zaufania raportowanie, jest warunkiem wstępnym dla wszystkiego, co bardziej zaawansowane.
Analityka predykcyjna wykorzystuje wzorce w danych historycznych, aby prognozować, co prawdopodobnie wydarzy się w przyszłości.
Zamiast podsumowywać przeszłość, uczy się z przeszłości, aby formułować probabilistyczne stwierdzenia o tym, co nastąpi, stosując modele statystyczne i uczenie maszynowe do danych historycznych, aby przewidywać wyniki, takie jak awarie urządzeń, poziomy popytu, problemy z jakością czy zachowania klientów, zanim one nastąpią.
Kiedy model analizuje wibracje maszyny i historię awarii, aby oszacować prawdopodobieństwo jej awarii w ciągu najbliższych dwóch tygodni, to jest analityka predykcyjna.
Wynik jest z natury probabilistyczny, prognoza z niepewnością, a nie pewnik, ponieważ przenosi wzorce w przyszłość, która jeszcze się nie wydarzyła.
Analityka predykcyjna jest bardziej zaawansowana i bardziej wartościowa niż opisowa, ponieważ działanie w oparciu o wiarygodną prognozę pozwala wyprzedzić wydarzenia zamiast jedynie na nie reagować; jest jednak też bardziej wymagająca, potrzebuje wystarczająco dobrej jakości danych historycznych, odpowiednich modeli i kompetencji do ich budowy i walidacji.
Analityka predykcyjna odpowiada na pytanie "co się wydarzy?", przekształcając zapis historyczny, który organizuje analityka opisowa, w narzędzie wyprzedzające.
Kluczowa różnica to kierunek czasu: analityka opisowa patrzy wstecz, analityka predykcyjna patrzy w przyszłość. Analityka opisowa podsumowuje przeszłość i teraźniejszość, jest faktograficzna, raportuje to, co dane pokazują, że już się wydarzyło.
Analityka predykcyjna projektuje w przyszłość, jest probabilistyczna, szacując, co prawdopodobnie nastąpi na podstawie wzorców w tych przeszłych danych.
Analityka opisowa operuje pewnością dotyczącą tego, co się wydarzyło (liczby są takie, jakie są); analityka predykcyjna operuje prawdopodobieństwami dotyczącymi tego, co się wydarzy (prognoza niesie ze sobą niepewność).
Ta różnica w kierunku przekłada się na różnicę w wartości i trudności: analityka opisowa mówi, gdzie byliście i gdzie jesteście, co jest niezbędne, ale reaktywne, podczas gdy analityka predykcyjna mówi, gdzie prawdopodobnie zmierzacie, co jest cenniejsze, ale trudniejsze i nigdy niepewne.
Co istotne, obie są sekwencyjne, a nie niezależne: analityka predykcyjna konsumuje te same dane historyczne, które organizuje analityka opisowa. Najpierw patrzy się wstecz, aby podsumować, a potem używa tego podsumowania, aby patrzeć w przyszłość.
Ta sama baza danych leży u podstaw obu; różnica polega na tym, czy się ją raportuje, czy prognozuje z niej.
Analityka opisowa i predykcyjna to dwa szczeble na powszechnie używanej drabinie analitycznej, która idzie od najmniej do najbardziej zaawansowanej i wartościowej.
Klasyczne cztery szczeble to: opisowa (co się wydarzyło), podsumowująca przeszłość; diagnostyczna (dlaczego się wydarzyło), analizująca przeszłość w celu znalezienia przyczyn; predykcyjna (co się wydarzy), prognozująca przyszłość; oraz preskrypcyjna (co powinniśmy z tym zrobić), rekomendująca lub automatyzująca najlepsze działanie w oparciu o prognozę.
Każdy szczebel buduje się na tych poniżej: nie można wiarygodnie diagnozować bez dobrej analityki opisowej, nie da się dobrze przewidywać bez zrozumienia wzorców historycznych, a nie można preskrybować bez zaufanej prognozy.
Wartość i złożoność rosną w miarę wspinania się; analityka preskrypcyjna, która zaleca optymalne działania, jest najbardziej wartościowa, ale też najtrudniejsza i najbardziej wymagająca pod względem danych i modeli.
Praktyczny wniosek jest taki, że drabinę trzeba wchodzić po kolei: organizacje, które próbują przeskoczyć do analityki predykcyjnej lub preskrypcyjnej zanim ustanowią solidną, godną zaufania analitykę opisową (czyste dane, rzetelne raportowanie), zwykle się nie udają, ponieważ wyższe szczeble budowane są na fundamencie dostarczanym przez niższe.
Analityka opisowa jest pierwszym szczeblem nie bez powodu.
Weźmy utrzymanie ruchu na krytycznej maszynie. Analityka opisowa tworzy dashboard: pokazuje, że maszyna miała 12 godzin przestojów w ubiegłym miesiącu, wymienia historię awarii i wykres trendu dostępności, jasne podsumowanie tego, co się wydarzyło.
Kierownik utrzymania ruchu czytający to rozumie przeszłe wyniki maszyny.
Analityka predykcyjna idzie dalej: model wytrenowany na tej samej historii plus danych z monitoringu stanu (wibracje, temperatura) szacuje, że maszyna ma np. 80% prawdopodobieństwo awarii łożyska w ciągu najbliższych dwóch tygodni, prognoza tego, co się wydarzy.
Taka prognoza umożliwia utrzymanie predykcyjne: zaplanuj wymianę łożyska teraz, podczas zaplanowanego przestoju, zanim awaria zatrzyma linię.
Ta sama baza danych, dwa bardzo różne pytania i dwie różne wartości: widok opisowy informuje, że maszyna miała problemy w ubiegłym miesiącu (użyteczne, ale po fakcie), podczas gdy widok predykcyjny mówi, że zbliża się awaria i daje czas na jej zapobieżenie.
Zauważ zależność: model predykcyjny nie mógłby istnieć bez zapisu historycznego, który przechwytuje i organizuje analityka opisowa. Fundament opisowy jest dokładnie tym, co umożliwia prognozę predykcyjną.
Praktyczna wskazówka to najpierw zbudować fundament opisowy, potem dodawać predykcję tam, gdzie wartość uzasadnia inwestycję.
Zacznij od właściwego podejścia do analityki opisowej: czyste, terminowe i godne zaufania raportowanie oraz dashboardy, które dokładnie podsumowują, co się dzieje, oparte na dobrej jakości danych.
To jest wartościowe samo w sobie (nie możesz zarządzać tym, czego nie widzisz) i jest niepodważalnym fundamentem dla wszystkiego, co wyżej.
Następnie dodaj selektywnie analitykę predykcyjną, tam gdzie prognozowanie przyszłych zdarzeń przynosi dużą wartość: przewidywanie awarii urządzeń (predykcyjne utrzymanie), prognozowanie popytu, przewidywanie odchyleń jakości, oraz tam, gdzie masz wystarczająco dużo jakościowych danych historycznych, aby wytrenować wiarygodne modele.
Opieraj się pokusie pogoni za możliwościami predykcji i AI zanim fundament opisowy i jakość danych będą na miejscu; zaawansowane modele oparte na słabych lub niekompletnych danych historycznych dają niewiarygodne prognozy, zasada "garbage in, garbage out" (śmieci na wejściu, śmieci na wyjściu). Wspinaj się po drabinie po kolei i niech wartość każdej prognozy uzasadni inwestycję w jej budowę.
Analityka preskrypcyjna, która rekomenduje lub automatyzuje działania, pojawia się później, gdy prognozy predykcyjne budzą zaufanie. Dyscyplina to kolejność: solidna analityka opisowa najpierw, ukierunkowana predykcja później, preskrypcja na końcu.
Raportowanie OEE samo w sobie jest analityką opisową: wskaźniki Dostępności, Wydajności i Jakości, rozbicia przestojów według przyczyny i trendy strat to wszystkie podsumowania tego, co wydarzyło się na hali, zastosowanie analityki opisowej do wyników produkcyjnych.
Zebrane dane OEE i dane o stratach są też dokładnie podstawą historyczną, której potrzebuje analityka predykcyjna: bogaty, dokładny zapis awarii, przyczyn przestojów, zdarzeń ze spadkiem wydajności i strat jakości to materiał, z którego uczą się modele predykcyjne utrzymania i jakości.
Dlatego dobra, opisowa analiza OEE jest warunkiem przejścia na wyższy szczebel, nie da się przewidywać awarii czy odchyleń jakości bez godnej zaufania historii tych zdarzeń.
To dlatego podróż analityczna w produkcji zwykle zaczyna się od solidnego raportowania OEE (opisowego), przechodzi do diagnozowania powtarzających się strat, a następnie umożliwia przewidywanie awarii zanim wystąpią.
Miejsce przechowywania tych danych historycznych i sposób ich przetwarzania łączy się z wyborem jeziora danych a hurtowni danych oraz z wyborem przetwarzania na brzegu a w chmurze, architektura, która zamienia opisowe dane OEE w fundament dla modeli predykcyjnych.
Fabrico dostarcza fundament opisowy, dokładne, aktualne OEE z Dostępnością, Wydajnością, Jakością i przyczynami przestojów, które zarówno steruje halą dziś, jak i buduje zapis historyczny, którego potrzebuje analityka predykcyjna jutro.
Przechwytując straty z kodami przyczyn w czasie, tworzy czystą, ustrukturyzowaną historię awarii i zdarzeń jakościowych, z której uczą się modele predykcyjnego utrzymania i jakości, dzięki czemu szczebel opisowy jest solidny zanim wspinasz się w kierunku predykcji.
Umów się na demo, aby zbudować fundament OEE, na którym oprze się Twoja analityka.
Analityka opisowa podsumowuje to, co się wydarzyło, raporty, dashboardy i KPI opisujące przeszłe i bieżące wyniki. Analityka predykcyjna wykorzystuje wzorce w tych danych historycznych, aby prognozować, co prawdopodobnie wydarzy się dalej. Analityka opisowa patrzy wstecz i jest faktograficzna; predykcyjna patrzy w przód i jest probabilistyczna.
Ponieważ analityka predykcyjna, diagnostyczna i preskrypcyjna wszystkie na niej bazują, konsumują dane historyczne, które przechwytuje i organizuje analityka opisowa. Bez czystych, godnych zaufania podsumowań tego, co się wydarzyło, prognozy i rekomendacje opierają się na słabym fundamencie. Trzeba wspinać się po drabinie analitycznej po kolei.
Opisowa (co się wydarzyło), diagnostyczna (dlaczego się wydarzyło), predykcyjna (co się wydarzy) i preskrypcyjna (co z tym zrobić). Każda opiera się na poprzednich, a wartość i złożoność rosną w miarę wspinania się. Większość organizacji powinna najpierw ustanowić solidną analitykę opisową, zanim podejmie się predykcji lub preskrypcji.
Nie wiarygodnie. Modele predykcyjne uczą się na danych historycznych, więc ich prognozy są tylko tak dobre, jak te dane, zasada "garbage in, garbage out" ma tu zastosowanie. Przejście do analityki predykcyjnej zanim ustanowisz solidny fundament opisowy i jakość danych zwykle daje zawodzące prognozy i rozczarowujące wyniki.
Raportowanie OEE to analityka opisowa, podsumowuje Dostępność, Wydajność, Jakość i straty, które miały miejsce. Zebrana historia strat jest też podstawą, której potrzebują modele predykcyjne do prognozowania awarii i odchyleń jakości. Dobra opisowa analiza OEE to warunek konieczny do przejścia do predykcyjnego utrzymania i przewidywania jakości.
Zaloguj
Blog
