Прогнозний аналіз для зменшення ризиків

Прогностична аналітика може підтримувати управління ризиками, визначаючи місця ймовірних збоїв і що можна зробити, щоб їх запобігти.

Зміст

Приблизний час читання: 6 хвилин

Контекст

Компанії генерують постійно зростаючі обсяги даних, пов’язаних із бізнес-операціями, що призводить до відновлення інтересу до прогнозної аналітики, галузі, яка аналізує великі набори даних для виявлення закономірностей, прогнозування результатів і керування прийняттям рішень. Компанії також стикаються зі складним і постійно зростаючим діапазоном операційних ризиків, які необхідно заздалегідь виявляти та пом’якшувати. Хоча багато компаній почали використовувати прогнозну аналітику для виявлення маркетингових/продажних можливостей, подібні стратегії менш поширені в управлінні ризиками, включаючи безпеку.

Алгоритми класифікації, загальний клас прогнозної аналітики, можуть бути особливо корисними для нафтопереробної та нафтохімічної промисловості, передбачаючи час і розташування інцидентів безпеки на основі пов’язаних з безпекою даних перевірок і технічного обслуговування, по суті, провідних індикаторів. Існує дві основні проблеми, пов’язані з цим методом: (1) переконатися, що виміряні випереджаючі індикатори дійсно передбачають збої та (2) вимірювати випереджаючі індикатори досить часто, щоб мати прогностичну цінність.

Методика

Використовуючи регулярно оновлювані дані перевірки, можна створити модель за допомогою логістичної регресії. Таким чином ви можете створити модель, наприклад, для прогнозування ймовірності руйнування залізниці для кожної милі шляху. Імовірності можуть бути оновлені в міру збору додаткових даних.

На додаток до прогнозованої ймовірності виходу з ладу рейок, за допомогою тієї ж моделі ми можемо ідентифікувати змінні з більшою прогностичною валідністю (ті, які значно сприяють виходу з ладу рейок). Використовуючи результати моделі, ви зможете точно визначити, куди зосередити ресурси з технічного обслуговування, інспекції та капітального ремонту та на які фактори звертати увагу під час цих заходів.

Таку саму методологію можна використовувати в нафтопереробній та нафтохімічній промисловості для управління ризиками шляхом прогнозування та запобігання аваріям, за умови, що організації:

Визначати випереджаючі індикатори з прогнозною достовірністю;
Вони регулярно вимірюють провідні показники (дані перевірки, технічного обслуговування та обладнання);
Вони створюють модель прогнозної системи на основі виміряних показників;
Оновлювати модель у міру збору даних;
Використовуйте висновки, щоб визначити пріоритетність проектів технічного обслуговування, інспекцій та капітального вдосконалення, а також переглянути операційні процеси/практики;

Прогнозний аналіз

Прогностична аналітика – це широке поле, яке охоплює аспекти різних дисциплін, зокрема машинне навчання,штучний інтелект, статистика і видобуток даних. Прогнозна аналітика виявляє закономірності та тенденції у великих наборах даних. Один із типів прогнозної аналітики, алгоритми класифікації, може бути особливо корисним для нафтопереробної та нафтохімічної промисловості.

Алгоритми класифікації можна класифікувати як кероване машинне навчання. Завдяки контрольованому навчанню користувач має набір даних, що включає вимірювання прогнозних змінних, які можна пов’язати з відомими результатами. У моделі, розглянутій у розділі прикладів цієї статті, різні вимірювання колії (наприклад, кривизна, перехрестя) проводилися протягом періоду для кожної милі колії. Відомим результатом у цьому випадку є те, чи стався збій колії на кожній милі залізниці протягом цього дворічного періоду.

Алгоритм моделювання

Un алгоритм Відповідні інструменти моделювання потім вибираються та використовуються для аналізу даних і визначення взаємозв’язків між вимірюваннями змінних і результатами для створення прогнозних правил (моделі). Після створення модель отримує новий набір даних, що містить вимірювання невідомих змінних предикторів і результатів, а потім розраховує ймовірність результату на основі правил моделі. Це порівнюється з типами неконтрольованого навчання, коли алгоритми виявляють шаблони та тенденції в наборі даних без будь-яких конкретних вказівок від користувача, крімалгоритм використаний.

Загальні алгоритми класифікації включають лінійну регресію, логістичну регресію, дерево рішень, нейронну мережу, опорний вектор/гнучку дискримінантну машину, простий класифікатор Байєса та багато інших. Лінійна регресія є простим прикладом того, як a алгоритм класифікації. У лінійній регресії лінія найкращого підходу обчислюється на основі наявних точок даних, що дає рівняння лінії ay = mx + b. Введення відомої змінної (x) дає прогноз для невідомої змінної (y).

Більшість зв’язків між змінними в реальному світі не лінійні, а складні та мають неправильну форму. Тому лінійна регресія часто не є корисною. Інші алгоритми класифікації здатні моделювати складніші зв’язки, такі як криволінійні чи логарифмічні зв’язки. Наприклад, a алгоритм Логістична регресія може моделювати складні відносини, може включати нечислові змінні (наприклад, категорії) і часто може створювати реалістичні та статистично достовірні моделі. Типовим результатом моделі логістичної регресії є прогнозована ймовірність настання результату/події. Інші алгоритми класифікації надають результати, подібні до логістичної регресії, але необхідні вхідні дані відрізняються для різних алгоритмів.

Управління ризиками

Моделювання складних взаємозв’язків є особливо корисним в управлінні ризиками, де пріоритетність ризику зазвичай визначається на основі ймовірності та потенційної тяжкості певного результату. Моделювання факторів ризику, які сприяють цьому результату, призводить до точної та статистично обґрунтованої оцінки ймовірності результату. Навпаки, багато оцінок ризику вимірюють «ймовірність» за категоріальною шкалою (один раз на десятиліття, раз на рік, кілька разів на рік), яка є менш точною, більш суб’єктивною та унеможливлює розрізнення між ризиками, присутніми в ризику. така сама широка категорія. Існують інші методи кількісної оцінки потенційної серйозності в оцінці ризику, але це виходить за рамки цієї статті.