Odhadovaná doba čtení: 6 minuti
Společnosti generují stále větší množství dat souvisejících s obchodními operacemi, což vede k obnovenému zájmu o prediktivní analytiku, obor, který analyzuje velké soubory dat, aby identifikoval vzorce, předpovídal výsledky a vedl rozhodování. Společnosti také čelí složité a stále se rozšiřující řadě operačních rizik, která je třeba proaktivně identifikovat a zmírnit. Zatímco mnoho společností začalo používat prediktivní analytiku k identifikaci marketingových/prodejních příležitostí, podobné strategie jsou méně běžné v řízení rizik, včetně zabezpečení.
Klasifikační algoritmy, obecná třída prediktivní analytiky, by mohly být užitečné zejména pro rafinérský a petrochemický průmysl tím, že předpovídají načasování a místo bezpečnostních incidentů na základě údajů o kontrolách a údržbě souvisejících s bezpečností, což jsou v podstatě hlavní ukazatele. S touto metodou jsou spojeny dva hlavní problémy: (1) zajistit, aby naměřené hlavní indikátory skutečně předpovídaly nehody, a (2) měřit hlavní indikátory dostatečně často, aby měly prediktivní hodnotu.
Pomocí pravidelně aktualizovaných inspekčních dat lze vytvořit model pomocí logistické regrese. Tímto způsobem můžete vytvořit model například pro předpovídání pravděpodobnosti selhání kolejnice pro každou míli trati. Pravděpodobnosti mohou být aktualizovány při shromažďování dalších údajů.
Kromě predikovaných pravděpodobností selhání koleje můžeme pomocí stejného modelu identifikovat proměnné s větší prediktivní platností (ty, které se významně podílejí na selhání koleje). Pomocí výsledků modelu budete schopni přesně určit, kam zaměřit zdroje údržby, inspekce a kapitálového zlepšení a jaké faktory je třeba během těchto činností řešit.
Stejná metodika by mohla být použita v rafinérském a petrochemickém průmyslu k řízení rizik předpovídáním a předcházením nehodám za předpokladu, že organizace:
Prediktivní analytika je široký obor, který zahrnuje aspekty různých disciplín, včetně strojového učení,umělá inteligence, statistiky a data mining. Prediktivní analytika odhaluje vzorce a trendy ve velkých souborech dat. Jeden typ prediktivní analýzy, klasifikační algoritmy, by mohl být zvláště přínosný pro rafinérský a petrochemický průmysl.
Klasifikační algoritmy lze klasifikovat jako strojové učení pod dohledem. Díky učení pod dohledem má uživatel k dispozici soubor dat, který obsahuje měření prediktivních proměnných, které lze propojit se známými výsledky. V modelu diskutovaném v části případové studie tohoto článku byla během období pro každou míli trati provedena různá měření trati (např. zakřivení, křížení). Známým výsledkem v tomto případě je, zda došlo k poruše koleje na každé železniční míli během tohoto dvouletého období.
Poté je vybrán vhodný modelovací algoritmus a použit k analýze dat a identifikaci vztahů mezi proměnnými měřeními a výsledky za účelem vytvoření prediktivních pravidel (modelu). Jakmile je model vytvořen, dostane nový soubor dat obsahující měření neznámých prediktorových proměnných a výsledků a poté vypočítá pravděpodobnost výsledku na základě pravidel modelu. To je srovnáváno s typy učení bez dozoru, kde algoritmy detekují vzory a trendy v datové sadě bez jakéhokoli konkrétního směru od uživatele, kromě použitého algoritmu.
Mezi běžné klasifikační algoritmy patří lineární regrese, logistická regrese, rozhodovací strom, neuronová síť, podpůrný vektor/flexibilní diskriminační stroj, naivní Bayesův klasifikátor a mnoho dalších. Lineární regrese poskytují jednoduchý příklad toho, jak funguje klasifikační algoritmus. Při lineární regresi se na základě existujících datových bodů vypočítá nejvhodnější přímka, čímž se získá rovnice přímky ay = mx + b. Zadáním známé proměnné (x) získáte predikci pro neznámou proměnnou (y).
Většina vztahů mezi proměnnými v reálném světě není lineární, ale komplexní a nepravidelně tvarovaná. Lineární regrese proto často není užitečná. Jiné klasifikační algoritmy jsou schopny modelovat složitější vztahy, jako jsou křivočaré nebo logaritmické vztahy. Například algoritmus logistické regrese může modelovat složité vztahy, může zahrnovat nečíselné proměnné (např. kategorie) a může často vytvářet realistické a statisticky platné modely. Typickým výstupem modelu logistické regrese je předpokládaná pravděpodobnost výskytu výsledku/události. Jiné klasifikační algoritmy poskytují podobný výstup jako logistická regrese, ale požadované vstupy se mezi algoritmy liší.
Modelování složitých vztahů je zvláště užitečné při řízení rizik, kde je riziko obvykle upřednostňováno na základě pravděpodobnosti a potenciální závažnosti konkrétního výsledku. Modelování rizikových faktorů, které přispívají k tomuto výsledku, vede k přesnému a statisticky platnému odhadu pravděpodobnosti výsledku. Naproti tomu mnoho hodnocení rizik měří „pravděpodobnost“ na kategorické škále (jednou za deset let, jednou za rok, několikrát za rok), která je méně přesná, více subjektivní a znemožňuje rozlišit mezi riziky přítomnými v riziku. stejně široká kategorie. Existují další techniky pro kvantifikovatelné posouzení potenciální závažnosti při hodnocení rizik, ale to je nad rámec tohoto článku.
BlogInnovazione.it
Rozvíjení jemné motoriky prostřednictvím vybarvování připravuje děti na složitější dovednosti, jako je psaní. Barvit…
Námořní sektor je skutečnou globální ekonomickou velmocí, která se dostala na 150miliardový trh...
Minulé pondělí Financial Times oznámily dohodu s OpenAI. FT licencuje svou prvotřídní žurnalistiku…
Miliony lidí platí za streamovací služby a platí měsíční předplatné. Je obecný názor, že jste…