პროგნოზული ანალიზი უბედური შემთხვევის პრევენციაში რთულ სისტემაში

პროგნოზირებულ ანალიტიკას შეუძლია მხარი დაუჭიროს რისკების მართვას იმის გამოვლენით, თუ სად შეიძლება მოხდეს წარუმატებლობა და რა შეიძლება გაკეთდეს მათი თავიდან ასაცილებლად.

Სარჩევი

კითხვის სავარაუდო დრო: 6 მინუტი

კონტექსტი

კომპანიები აწარმოებენ მუდმივად მზარდი რაოდენობის მონაცემებს, რომლებიც დაკავშირებულია ბიზნეს ოპერაციებთან, რაც იწვევს განახლებულ ინტერესს პროგნოზირებადი ანალიტიკის მიმართ, სფერო, რომელიც აანალიზებს მონაცემთა დიდ ნაკრებებს შაბლონების იდენტიფიცირებისთვის, შედეგების პროგნოზირებისთვის და გადაწყვეტილების მიღების ხელმძღვანელობით. კომპანიებს ასევე ემუქრებათ საოპერაციო რისკების რთული და მუდმივად გაფართოებული დიაპაზონი, რომლებიც საჭიროებს პროაქტიულად იდენტიფიცირებას და შერბილებას. მიუხედავად იმისა, რომ ბევრმა კომპანიამ დაიწყო პროგნოზირებადი ანალიტიკის გამოყენება მარკეტინგის/გაყიდვის შესაძლებლობების იდენტიფიცირებისთვის, მსგავსი სტრატეგიები ნაკლებად გავრცელებულია რისკის მენეჯმენტში, უსაფრთხოების ჩათვლით.

კლასიფიკაციის ალგორითმები, პროგნოზირებადი ანალიტიკის ზოგადი კლასი, შეიძლება იყოს განსაკუთრებით გამოსადეგი გადამამუშავებელი და ნავთობქიმიური მრეწველობისთვის უსაფრთხოების ინციდენტების დროისა და ადგილმდებარეობის პროგნოზირებით, უსაფრთხოებასთან დაკავშირებული ინსპექტირებისა და ტექნიკური მონაცემების, ძირითადად წამყვანი ინდიკატორების საფუძველზე. ამ მეთოდთან დაკავშირებული ორი ძირითადი გამოწვევაა: (1) იმის უზრუნველყოფა, რომ გაზომილი წამყვანი ინდიკატორები რეალურად პროგნოზირებენ ავარიებს და (2) წამყვანი ინდიკატორების საკმარისად ხშირად გაზომვა, რომ ჰქონდეს პროგნოზირებადი მნიშვნელობა.

მეთოდოლოგია

რეგულარულად განახლებული ინსპექტირების მონაცემების გამოყენებით, მოდელი შეიძლება შეიქმნას ლოგისტიკური რეგრესიის გამოყენებით. ამ გზით თქვენ შეგეძლოთ შექმნათ მოდელი, მაგალითად, რკინიგზის ჩავარდნის ალბათობის პროგნოზირებისთვის ლიანდაგის ყოველი მილისთვის. ალბათობა შეიძლება განახლდეს დამატებითი მონაცემების შეგროვებისას.

გარდა რკინიგზის წარუმატებლობის პროგნოზირებული ალბათობისა, იგივე მოდელით ჩვენ შეგვიძლია გამოვყოთ უფრო დიდი პროგნოზირებადი ვალიდობის მქონე ცვლადები (ისინი, რომლებიც მნიშვნელოვნად უწყობს ხელს სარკინიგზო ჩავარდნას). მოდელის შედეგების გამოყენებით, თქვენ შეძლებთ ზუსტად განსაზღვროთ, სად უნდა ფოკუსირება მოახდინოთ ტექნიკური მომსახურების, ინსპექტირებისა და კაპიტალის გაუმჯობესების რესურსებზე და რა ფაქტორებზე უნდა მიმართოთ ამ აქტივობებს.

იგივე მეთოდოლოგია შეიძლება გამოყენებულ იქნას გადამამუშავებელ და ნავთობქიმიურ მრეწველობაში რისკების სამართავად ავარიების პროგნოზირებისა და თავიდან აცილების გზით, იმ პირობით, რომ ორგანიზაციები:

პროგნოზირებადი ვალიდობის მქონე წამყვანი ინდიკატორების იდენტიფიცირება;
ისინი რეგულარულად ზომავენ წამყვან ინდიკატორებს (ინსპექტირება, ტექნიკური მომსახურება და აღჭურვილობის მონაცემები);
ისინი ქმნიან მოდელის პროგნოზირების სისტემას გაზომილი ინდიკატორების საფუძველზე;
მოდელის განახლება მონაცემთა შეგროვებისას;
გამოიყენოს აღმოჩენები ტექნიკური მომსახურების, ინსპექტირებისა და კაპიტალის გაუმჯობესების პროექტების პრიორიტეტად დასაყენებლად და საოპერაციო პროცესების/პრაქტიკის განხილვისთვის;

პროგნოზირებადი ანალიზი

პროგნოზირებადი ანალიტიკა არის ფართო სფერო, რომელიც მოიცავს სხვადასხვა დისციპლინის ასპექტებს, მათ შორის მანქანათმცოდნეობას,ხელოვნური ინტელექტი, სტატისტიკა და მონაცემების მოპოვება. პროგნოზირებადი ანალიტიკა ავლენს შაბლონებსა და ტენდენციებს მონაცემთა დიდ ნაკრებებში. პროგნოზირებადი ანალიტიკის ერთი ტიპი, კლასიფიკაციის ალგორითმები, შეიძლება განსაკუთრებით მომგებიანი იყოს გადამამუშავებელი და ნავთობქიმიური მრეწველობისთვის.

კლასიფიკაციის ალგორითმები შეიძლება კლასიფიცირდეს როგორც ზედამხედველობითი მანქანური სწავლება. ზედამხედველობის ქვეშ მყოფი სწავლით, მომხმარებელს აქვს მონაცემთა ნაკრები, რომელიც მოიცავს პროგნოზირებადი ცვლადების გაზომვებს, რომლებიც შეიძლება დაკავშირებული იყოს ცნობილ შედეგებთან. ამ სტატიის შემთხვევის შესწავლის განყოფილებაში განხილულ მოდელში, ლიანდაგის სხვადასხვა გაზომვები (მაგ. გამრუდება, გადაკვეთები) იქნა მიღებული ლიანდაგის თითოეული მილის განმავლობაში. ცნობილი შედეგი, ამ შემთხვევაში, არის თუ არა ლიანდაგის ავარია თითოეულ სარკინიგზო მილზე ამ ორი წლის განმავლობაში.

მოდელირების ალგორითმი

შემდეგ შეირჩევა შესაბამისი მოდელირების ალგორითმი და გამოიყენება მონაცემების გასაანალიზებლად და ცვლადის გაზომვებსა და შედეგებს შორის ურთიერთობების დასადგენად, რათა შეიქმნას პროგნოზირებადი წესები (მოდელი). შექმნის შემდეგ მოდელს ეძლევა ახალი მონაცემთა ნაკრები, რომელიც შეიცავს უცნობი პროგნოზირების ცვლადების და შედეგების გაზომვებს და შემდეგ გამოითვლის შედეგის ალბათობას მოდელის წესების საფუძველზე. ეს შედარებულია უკონტროლო სწავლების ტიპებთან, სადაც ალგორითმები აღმოაჩენენ ნიმუშებსა და ტენდენციებს მონაცემთა ბაზაში მომხმარებლისგან რაიმე კონკრეტული მიმართულების გარეშე, გარდა გამოყენებული ალგორითმისა.

საერთო კლასიფიკაციის ალგორითმები მოიცავს ხაზოვან რეგრესიას, ლოგისტიკური რეგრესიას, გადაწყვეტილების ხეს, ნერვულ ქსელს, დამხმარე ვექტორს/მოქნილ დისკრიმინაციულ მანქანას, გულუბრყვილო ბეიზის კლასიფიკატორს და ბევრ სხვას. ხაზოვანი რეგრესია იძლევა მარტივ მაგალითს, თუ როგორ მუშაობს კლასიფიკაციის ალგორითმი. წრფივი რეგრესიის დროს საუკეთესო მორგებული ხაზი გამოითვლება არსებული მონაცემების წერტილებზე დაყრდნობით, რაც იძლევა ხაზოვანი განტოლების ay = mx + b. ცნობილი ცვლადის (x) შეყვანა უზრუნველყოფს უცნობი ცვლადის (y) პროგნოზს.

რეალურ სამყაროში ცვლადებს შორის ურთიერთობების უმეტესობა არ არის წრფივი, არამედ რთული და არარეგულარული ფორმის. ამიტომ, ხაზოვანი რეგრესია ხშირად არ არის სასარგებლო. სხვა კლასიფიკაციის ალგორითმებს შეუძლიათ უფრო რთული ურთიერთობების მოდელირება, როგორიცაა მრუდი ან ლოგარითმული ურთიერთობები. მაგალითად, ლოგისტიკური რეგრესიის ალგორითმს შეუძლია კომპლექსური ურთიერთობების მოდელირება, შეიძლება ჩართოს არარიცხობრივი ცვლადები (მაგ. კატეგორიები) და ხშირად შექმნას რეალისტური და სტატისტიკურად მართებული მოდელები. ლოგისტიკური რეგრესიის მოდელის ტიპიური შედეგი არის შედეგის/მოვლენის დადგომის სავარაუდო ალბათობა. სხვა კლასიფიკაციის ალგორითმები იძლევა ლოგისტიკური რეგრესიის მსგავს გამომავალს, მაგრამ საჭირო შეყვანები განსხვავებულია ალგორითმებს შორის.

Რისკების მართვა

რთული ურთიერთობების მოდელირება განსაკუთრებით სასარგებლოა რისკის მენეჯმენტში, სადაც რისკი, როგორც წესი, პრიორიტეტულია კონკრეტული შედეგის ალბათობისა და პოტენციური სიმძიმის საფუძველზე. რისკის ფაქტორების მოდელირება, რომლებიც ხელს უწყობენ ამ შედეგს, იძლევა შედეგის ალბათობის ზუსტ და სტატისტიკურად მართებულ შეფასებას. ამის საპირისპიროდ, მრავალი რისკის შეფასება ზომავს „ალბათობას“ კატეგორიული მასშტაბით (ათწლეულში ერთხელ, წელიწადში ერთხელ, წელიწადში რამდენჯერმე), რაც ნაკლებად ზუსტია, უფრო სუბიექტურია და შეუძლებელს ხდის რისკში არსებული რისკების გარჩევას. იგივე ფართო კატეგორია. არსებობს რისკის შეფასებისას პოტენციური სიმძიმის რაოდენობრივად შეფასების სხვა ტექნიკა, მაგრამ ეს სცილდება ამ სტატიის ფარგლებს.