Predvideni čas branja: 6 min
Podjetja ustvarjajo vedno večje količine podatkov, povezanih s poslovnimi operacijami, kar vodi do ponovnega zanimanja za napovedno analitiko, področje, ki analizira velike nize podatkov za prepoznavanje vzorcev, napovedovanje rezultatov in vodenje odločanja. Podjetja se soočajo tudi s kompleksnim in vedno večjim obsegom operativnih tveganj, ki jih je treba proaktivno prepoznati in ublažiti. Medtem ko je veliko podjetij začelo uporabljati napovedno analitiko za prepoznavanje trženjskih/prodajnih priložnosti, so podobne strategije manj pogoste pri obvladovanju tveganj, vključno z varnostjo.
Klasifikacijski algoritmi, splošen razred napovedne analitike, bi lahko bili še posebej uporabni za rafiniranje in petrokemično industrijo z napovedovanjem časa in lokacije varnostnih incidentov na podlagi varnostnih inšpekcijskih in vzdrževalnih podatkov, v bistvu vodilnih kazalnikov. S to metodo sta povezana dva glavna izziva: (1) zagotoviti, da izmerjeni vodilni indikatorji dejansko napovedujejo zrušitve, in (2) meriti vodilne indikatorje dovolj pogosto, da imajo napovedno vrednost.
Z uporabo redno posodobljenih inšpekcijskih podatkov je mogoče ustvariti model z uporabo logistične regresije. Na ta način bi lahko na primer ustvarili model za napovedovanje verjetnosti okvare tirnice za vsako miljo tira. Verjetnosti se lahko posodobijo, ko se zberejo dodatni podatki.
Poleg napovedanih verjetnosti okvare tirnice lahko z istim modelom identificiramo spremenljivke z večjo napovedno veljavnostjo (tiste, ki bistveno prispevajo k okvari tirnice). Z uporabo rezultatov modela boste lahko natančno ugotovili, kam usmeriti sredstva za vzdrževanje, inšpekcijo in izboljšanje kapitala ter katere dejavnike je treba obravnavati med temi dejavnostmi.
Enako metodologijo bi lahko uporabili v rafinerijski in petrokemični industriji za obvladovanje tveganj z napovedovanjem in preprečevanjem nesreč, pod pogojem, da organizacije:
Prediktivna analitika je široko področje, ki zajema vidike različnih disciplin, vključno s strojnim učenjem,umetna inteligenca, statistika in rudarjenje podatkov. Prediktivna analitika odkriva vzorce in trende v velikih nizih podatkov. Ena vrsta napovedne analitike, algoritmi za razvrščanje, bi lahko bila še posebej koristna za rafiniranje in petrokemično industrijo.
Klasifikacijske algoritme lahko uvrstimo med nadzorovano strojno učenje. Z nadzorovanim učenjem ima uporabnik nabor podatkov, ki vključuje meritve napovednih spremenljivk, ki jih je mogoče povezati z znanimi rezultati. V modelu, obravnavanem v delu študije primera v tem članku, so bile različne meritve tirov (npr. ukrivljenost, križišča) opravljene v določenem obdobju za vsako miljo tira. Znan rezultat v tem primeru je, ali je prišlo do okvare tira na vsaki železniški milji v tem dveletnem obdobju.
Nato se izbere ustrezen algoritem za modeliranje, ki se uporabi za analizo podatkov in prepoznavanje odnosov med spremenljivimi meritvami in rezultati za ustvarjanje napovednih pravil (model). Ko je model ustvarjen, prejme nov nabor podatkov, ki vsebuje meritve neznanih napovednih spremenljivk in izidov, nato pa bo izračunal verjetnost izida na podlagi pravil modela. To primerjamo z vrstami nenadzorovanega učenja, kjer algoritmi zaznajo vzorce in trende v naboru podatkov brez kakršnih koli posebnih navodil uporabnika, razen uporabljenega algoritma.
Običajni klasifikacijski algoritmi vključujejo linearno regresijo, logistično regresijo, drevo odločitev, nevronsko mrežo, podporni vektor/fleksibilni diskriminantni stroj, naivni Bayesov klasifikator in mnoge druge. Linearne regresije so preprost primer delovanja klasifikacijskega algoritma. Pri linearni regresiji se najbolj prilegajoča črta izračuna na podlagi obstoječih podatkovnih točk, kar daje enačbo črte ay = mx + b. Vnos znane spremenljivke (x) zagotavlja napoved za neznano spremenljivko (y).
Večina odnosov med spremenljivkami v resničnem svetu ni linearnih, temveč kompleksnih in nepravilnih oblik. Zato linearna regresija pogosto ni uporabna. Drugi klasifikacijski algoritmi so sposobni modelirati bolj zapletene odnose, kot so krivuljasti ali logaritemski odnosi. Na primer, algoritem logistične regresije lahko modelira zapletene odnose, lahko vključuje neštevilske spremenljivke (npr. kategorije) in lahko pogosto ustvari realistične in statistično veljavne modele. Tipičen rezultat modela logistične regresije je predvidena verjetnost, da se bo izid/dogodek zgodil. Drugi klasifikacijski algoritmi zagotavljajo podobne rezultate kot logistična regresija, vendar se zahtevani vhodi med algoritmi razlikujejo.
Modeliranje zapletenih odnosov je še posebej uporabno pri obvladovanju tveganja, kjer je tveganje običajno prednostno razvrščeno na podlagi verjetnosti in potencialne resnosti določenega izida. Modeliranje dejavnikov tveganja, ki prispevajo k temu izidu, ima za posledico natančno in statistično veljavno oceno verjetnosti izida. Nasprotno pa številne ocene tveganja merijo »verjetnost« na kategorični lestvici (enkrat na desetletje, enkrat na leto, večkrat na leto), ki je manj natančna, bolj subjektivna in onemogoča razlikovanje med tveganji, ki so prisotna v tveganju. isto široko kategorijo. Obstajajo tudi druge tehnike za kvantificirano ocenjevanje potencialne resnosti v oceni tveganja, vendar to presega področje uporabe tega članka.
BlogInnovazione.it
Prejšnji ponedeljek je Financial Times objavil dogovor z OpenAI. FT licencira svoje vrhunsko novinarstvo ...
Milijoni ljudi plačujejo storitve pretakanja in plačujejo mesečne naročnine. Splošno mnenje je, da si…
Coveware by Veeam bo še naprej zagotavljal storitve odzivanja na incidente kibernetskega izsiljevanja. Coveware bo nudil forenziko in zmogljivosti sanacije ...
Prediktivno vzdrževanje revolucionira sektor nafte in plina z inovativnim in proaktivnim pristopom k upravljanju obratov.…
