Estimeret læsetid: 6 minutter
Virksomheder genererer stadigt stigende mængder af data forbundet med forretningsdrift, hvilket fører til fornyet interesse for prædiktiv analyse, et felt, der analyserer store datasæt for at identificere mønstre, forudsige resultater og vejlede beslutningstagning. Virksomheder står også over for en kompleks og stadigt voksende række af operationelle risici, som skal identificeres og afbødes proaktivt. Mens mange virksomheder er begyndt at bruge prædiktiv analyse til at identificere marketing-/salgsmuligheder, er lignende strategier mindre almindelige i risikostyring, herunder sikkerhed.
Klassificeringsalgoritmer, en generel klasse af forudsigende analyser, kunne være særligt nyttige for raffinaderi- og petrokemiske industrier ved at forudsige timingen og placeringen af sikkerhedshændelser baseret på sikkerhedsrelaterede inspektions- og vedligeholdelsesdata, hovedsagelig førende indikatorer. Der er to hovedudfordringer forbundet med denne metode: (1) at sikre, at de målte førende indikatorer faktisk er forudsigelige for nedbrud og (2) at måle de førende indikatorer ofte nok til at have forudsigelig værdi.
Ved hjælp af regelmæssigt opdaterede inspektionsdata kan en model oprettes ved hjælp af en logistisk regression. På denne måde kan du oprette en model, for eksempel til at forudsige sandsynligheden for jernbanefejl for hver kilometer spor. Sandsynligheder kan blive opdateret, efterhånden som yderligere data indsamles.
Ud over de forudsagte sandsynligheder for jernbanesvigt kan vi med samme model identificere variablerne med større prædiktiv validitet (dem, der signifikant bidrager til skinnesvigt). Ved hjælp af modelresultaterne vil du være i stand til at identificere præcist, hvor du skal fokusere vedligeholdelses-, inspektions- og kapitalforbedringsressourcer, og hvilke faktorer du skal forholde dig til under disse aktiviteter.
Den samme metode kunne bruges i raffinerings- og petrokemiske industrier til at styre risici ved at forudsige og forebygge ulykker, forudsat at organisationer:
Prædiktiv analyse er et bredt felt, der omfatter aspekter af forskellige discipliner, herunder maskinlæring,kunstig intelligens, statistik og data mining. Prædiktiv analyse afdækker mønstre og tendenser i store datasæt. Én type prædiktiv analyse, klassifikationsalgoritmer, kunne være særlig gavnlig for raffinerings- og petrokemiske industrier.
Klassifikationsalgoritmer kan klassificeres som overvåget maskinlæring. Med overvåget læring har brugeren et datasæt, der inkluderer målinger af prædiktive variable, der kan kobles til kendte resultater. I modellen diskuteret i casestudiet i denne artikel blev der taget forskellige spormålinger (f.eks. krumning, krydsninger) i løbet af en periode for hver kilometer spor. Det kendte resultat i dette tilfælde er, om der opstod et sporsvigt på hver jernbanemile i løbet af den toårige periode.
En passende modelleringsalgoritme vælges derefter og bruges til at analysere dataene og identificere sammenhænge mellem variable målinger og resultater for at skabe forudsigelige regler (en model). Når modellen er oprettet, får den et nyt datasæt indeholdende målinger af ukendte prædiktorvariabler og udfald og vil derefter beregne sandsynligheden for udfaldet ud fra modellens regler. Dette sammenlignes med typer af uovervåget læring, hvor algoritmer registrerer mønstre og tendenser i et datasæt uden nogen specifik retning fra brugeren ud over den anvendte algoritme.
Almindelige klassifikationsalgoritmer inkluderer lineær regression, logistisk regression, beslutningstræ, neuralt netværk, støttevektor/fleksibel diskriminantmaskine, naiv Bayes-klassifikator og mange andre. Lineære regressioner giver et simpelt eksempel på, hvordan en klassifikationsalgoritme fungerer. I en lineær regression beregnes en bedst passende linje baseret på de eksisterende datapunkter, hvilket giver linjeligningen ay = mx + b. Indtastning af den kendte variabel (x) giver en forudsigelse for den ukendte variabel (y).
De fleste forhold mellem variabler i den virkelige verden er ikke lineære, men komplekse og uregelmæssigt formet. Derfor er lineær regression ofte ikke nyttig. Andre klassifikationsalgoritmer er i stand til at modellere mere komplekse relationer, såsom kurvelineære eller logaritmiske relationer. For eksempel kan en logistisk regressionsalgoritme modellere komplekse relationer, kan inkorporere ikke-numeriske variabler (f.eks. kategorier) og kan ofte skabe realistiske og statistisk valide modeller. Det typiske output af en logistisk regressionsmodel er den forudsagte sandsynlighed for, at resultatet/hændelsen indtræffer. Andre klassifikationsalgoritmer giver samme output som logistisk regression, men de nødvendige input er forskellige mellem algoritmerne.
Modellering af komplekse relationer er især nyttig i risikostyring, hvor risiko typisk prioriteres baseret på sandsynligheden for og den potentielle sværhedsgrad af et bestemt resultat. Modellering af de risikofaktorer, der bidrager til dette resultat, resulterer i et præcist og statistisk validt estimat af sandsynligheden for udfaldet. I modsætning hertil måler mange risikovurderinger "sandsynlighed" på en kategorisk skala (en gang om året, en gang om året, flere gange om året), hvilket er mindre præcist, mere subjektivt og gør det umuligt at skelne mellem risici, der er til stede i risikoen. samme brede kategori. Der er andre teknikker til kvantificerbar vurdering af potentiel sværhedsgrad i en risikovurdering, men dette er uden for rammerne af denne artikel.
BlogInnovazione.it
Flådesektoren er en sand global økonomisk magt, som har navigeret mod et 150 milliarder marked...
Sidste mandag offentliggjorde Financial Times en aftale med OpenAI. FT licenserer sin verdensklasses journalistik...
Millioner af mennesker betaler for streamingtjenester og betaler månedlige abonnementsgebyrer. Det er almindelig opfattelse, at du...
Coveware by Veeam vil fortsætte med at levere responstjenester til cyberafpresning. Coveware vil tilbyde kriminaltekniske og afhjælpende funktioner...
