新闻资讯

四种类型的分析及其对资产管理的意义

发布日期:2021-06-14 22:57:28浏览量:43

每个人都希望持续改进他们的维护和资产管理流程。这是一个令人钦佩的目标,但您怎么知道这些流程是否真的在改进?您可能已经获得了维护 KPI,但它们是否向您展示了您真正需要了解的内容?真正的洞察力只能来自可靠的数据。反过来,您需要一个分析程序来提取这些见解。

企业资产管理 (EAM) 分析的挑战之一是确保所使用的分析类型适合您的最终目标。例如,记录和总结某些故障模式只需要描述性分析。如果您尝试使用相同的技术来解开这些失败的根本原因,您将不会走得太远。您需要更复杂的分析来确定,例如诊断分析。

在本博客中,我们分解了分析类型,以便您了解每种分析在维护和资产管理中的使用情况。数据科学家通常会识别四种类型的分析:描述性、诊断性、预测性和规范性。这些按复杂程度列出。这种不断上升的复杂性意味着每个级别都需要比以前更多的努力来实现。随着复杂性级别的提高,获得的见解通常会变得更有价值,但这并不意味着您应该只针对规范分析的顶级水平。使用的分析类型应该适合您尝试获得的洞察类型。

描述性分析
作为最基本的分析过程,描述性分析用于汇总和集中原始数据,以便更容易理解。描述性分析关注事实和历史数据。它通常不会尝试确定因果关系,而只是描述一种情况。

描述性分析本身并不进行估计、预测或建议行动方案。传统上,这样做需要人类决定应该采取哪些步骤(如果有的话)。但是,可以将初始描述性结果用作预测性或规范性分析的输入。

许多类型的商业智能都属于描述性分析。描述性分析包括仪表板、KPI 报告、绩效数据的聚合以及其他熟悉的商业智能形式。

诊断分析
描述性分析会告诉您发生了什么。诊断分析,也称为根本原因分析,可以深入了解某事发生的原因。该过程用于发现异常、识别相关性并确定因果关系。这代表了比描述性分析更深层次的洞察力,描述性分析通常无法识别因果关系。

诊断分析在发现隐藏关系和回答描述性分析无法解决的问题方面特别有用。如果必须发现一个根本原因,则诊断分析可以很简单。然而,当根本原因没有立即明确时,分析师必须查看其他数据集,看看是否可以建立关系,即使这种关系并不总是很明显。

例如,假设您的描述性分析显示,与去年同期相比,某台设备的故障模式增加了 10%。该机器的描述性分析没有提供任何线索:PM 计划相同,生产需求相同,并且没有对机器进行任何修改。

您需要查看其他数据集,看看是否可以找到相关性以发现根本原因。在此示例中,您发现每个无法解释的故障都发生在它旁边的机器运行温度高于最佳状态的同时。此时,值得调查一下,看看第一台机器是否由于第二台机器产生的废热而出现故障。

预测分析
描述性和诊断性分析都可以让您深入了解过去的事件。然而,预测分析侧重于根据可能的结果预测未来。当然,预测的准确性与开始输入解决方案的数据的准确性密切相关。

预测分析依赖于统计建模和机器学习,这是人工智能的一个子集,随着时间的推移,它会随着接收到更多数据而自动改进。

在维护中,预测分析通常被视为改进预防性维护实践的一种方式。预防性维护侧重于基于时间或周期的维护实践。不利的一面是,工作人员经常执行不必要的“额外”维护工作,并且不会延长资产的使用寿命或提高其生产力。维护中的预测分析可用于构建预测性维护仪表板,您可以使用它来转向预测模型。在预测性维护中,任务通常仅在模型表明需要防止故障时执行。


规范分析
这可以看作是预测分析的一个子集。规范性分析超越了简单的预测和风险缓解。简而言之,规范性分析不仅可以告诉您问题是什么以及何时会发生,还可以深入了解为什么会发生。从那里,预测分析还显示了行动方案并突出了每个选项的含义。

您可能认为规范性分析听起来很复杂。你是 100% 正确的。这是一个极其复杂的领域。事实上,将其视为一个领域可能是错误的。Mike Gualtieri 是 Forrester 的副总裁兼高级分析师。在他的文章“规范分析到底是什么?” 他指出,“我们的研究表明,规范性分析不是一种特定类型的分析,而是可以改进决策的多种分析类型的总称。将“规范性”一词视为所有这些分析的目标——做出更有效的决策——而不是特定的分析技术。”

无论您使用哪种类型的分析,重要的是要记住,任何数据分析技术的有用性都与数据的质量和数量密切相关。稀疏、低质量的数据往往会产生稀疏、低质量的结果。

标签:, ,

相关推荐