Ориентированная на человека аналитика данных для принятия решений для промышленного Интернета вещей (IIoT)
По мере того, как компании внедряют приложения для аналитики и обработки данных, перед ними стоит множество задач. Согласно Harvard Business Review, многие приложения для обработки данных терпят неудачу из-за плохого определения цели, непонимания ключевых данных или недостаточного внимания к ценности для бизнеса.1
Мы считаем, что лучший путь к аналитике данных и особенно аналитике для промышленного Интернета вещей должен включать несколько ключевых элементов:
Ключевые элементы эффективной аналитики:
- Основывается на существующих знаниях ваших профильных экспертов
- Позволяет инженерам использовать платформу и участвовать в процессе аналитики
- Позволяет автоматизировать ключевые процессы
- Создает прочную основу для более сложной аналитики (например, прогнозной)
В этом техническом документе каждый из этих элементов рассматривается более подробно и исследуется, почему они важны для создания ценности для вашей организации.
Наилучшая отправная точка – платформа, созданная на основе знаний ваших экспертов в предметной области.
Ваши профильные эксперты (SME) и инженеры создают и обслуживают ваше оборудование на протяжении десятилетий. Их опыт и знания — это лучший доступный опыт в отношении того, как ваше оборудование должно эксплуатироваться, обслуживаться и оцениваться. Использование их знаний для наилучшей оценки данных с оборудования и того, что эти данные означают, является идеальной отправной точкой для применения аналитики.
Аналитические платформы, использующие исключительно машинное обучение или искусственный интеллект, могут не понимать, что означают данные и смысл событий в данных. Без человеческого взаимодействия или интерпретации более продвинутая аналитика, такая как прогнозы, с трудом достигает желаемого результата. Без определенного результата оценка процесса может занять месяцы, и даже в этом случае аналитическая эффективность и точность могут оставаться неизвестными и недоказанными.
Мы считаем, что лучшая отправная точка для аналитики — это начать с использования ваших собственных проверенных аналитических методов в качестве основы, а затем использовать естественный блочный подход.
Использование платформы, позволяющей инженерам участвовать в процессе, способствует внедрению аналитики.
Внедрение новой аналитики и бизнес-моделей, основанных на данных, в корне меняет способ ведения бизнеса на протяжении многих лет. Чтобы осуществить этот переход, получение одобрения и доверия ключевых игроков в вашей организации значительно повлияет на успех новой программы. Наличие платформы, на которой малые и средние предприятия могут взаимодействовать и взаимодействовать без необходимости быть специалистом по данным или разработчиком, приводит к более широкому внедрению и более эффективным бизнес-результатам для организации.
Внедрение платформы, которая автоматизирует текущие процессы, создает краткосрочную и значительную ценность.
Чтобы получить ценность от больших наборов данных и данных датчиков, только платформа, которая начинает автоматизировать часть процесса, может создать масштабируемую ценность. Это означает, что платформа должна быть способна интерпретировать данные, генерировать идеи и предоставлять конечным пользователям рекомендуемые результаты. В противном случае это становится просто еще одним способом визуализации и изучения данных. Это может повысить ценность само по себе, но не достигает того эффекта, который обеспечивает автоматизация. Как отмечалось ранее, создание системы на основе ваших проверенных аналитических методов, а затем добавление уровня более продвинутой аналитики, такой как прогнозы на основе машинного обучения, — это лучший путь к высокоточной автоматизированной платформе.
Создание платформы с прочным фундаментом знаний ваших экспертов — лучший способ приблизиться к внедрению всего набора аналитических данных.
Создание платформы, настроенной вашими собственными малыми и средними предприятиями, создает оптимальную основу для всего спектра аналитики. Ваши эксперты могут предоставить знания в важных областях, таких как:
- Значение ключевых данных
- Как датчики связаны друг с другом
- Что представляет собой событие, требующее действия
- Что считается ложной тревогой
- Исключения из правил
Как только эти знания станут частью автоматизированной платформы, добавление полного спектра аналитики станет более эффективным. Например, знание того, что представляет собой ложная тревога, может привести к пониманию того, что превратило ложную тревогу в действительную тревогу и какие индикаторы стоит автоматически отслеживать. Напротив, подход, который пытается использовать только методы машинного обучения или ИИ без этих ключевых понятий, может привести к проблемам с «правильным» бизнес-результатом, точностью, обработкой исключений и обеспечением значительной ценности для бизнеса.
Сделайте копию для себя: Загрузить информационный документ
Бизнес-кейсы и результаты NarrativeWave
Узнайте, как клиенты NarrativeWave создали ценность и эффективно внедрили ориентированную на человека аналитику для принятия решений. Эти примеры бизнес-кейсов показывают, как NarrativeWave повлиял на операции клиентов, прибыльность, незапланированные простои и эффективность рабочей силы.
Повышена точность анализа событий и тревог
- Проблема. Традиционный рабочий процесс диагностики событий или аварийных сигналов на крупных промышленных объектах — это ручной процесс для инженеров. Этот производитель искал решение, которое повысит точность и снизит риск дорогостоящих человеческих ошибок.
- Решение. Платформа NarrativeWave позволила инженерам заказчика создавать модели обнаружения и уравнения через платформу SaaS. В настоящее время этот производитель получает точный и автоматизированный анализ первопричин событий почти в режиме реального времени.
- Влияние. Программное обеспечение обеспечило увеличение точности диагностики событий на 25%, что означает более последовательное и предсказуемое решение для инженеров и клиентов этого производителя.
Сокращение времени, затрачиваемого на диагностику предупреждений и сигналов тревоги
- Задача. Датчики на крупных промышленных объектах генерируют миллионы точек данных в секунду. При срабатывании оповещения инженеры часами проводили избыточное ручное исследование, чтобы диагностировать проблему и подготовить действенный отчет для клиентов. Процесс диагностики может занять до 16 часов, и технические специалисты изо всех сил старались не отставать от растущих требований к обслуживанию.
- Решение. Платформа NarrativeWave автоматизировала их ручные процессы, предоставляя инженерам анализ, полезные сведения, рекомендации и отчетыменее чем за 3 минуты. Это позволило их инженерам почти в режиме реального времени принимать решения о том, что произошло, почему это произошло и что делать дальше.
- Воздействие. Результатом стала 95%-ная экономия времени при диагностике оповещений и аварийных сигналов, что сократило время незапланированных простоев оборудования, повысило эффективность рабочей силы и увеличило прибыльность контрактов на обслуживание. Это доказало возможность экономии в несколько миллионов долларов в год для этого OEM-производителя, а также улучшило поддержку контрактов на обслуживание в режиме реального времени.
Оптимизированная производительность квалифицированного инженерного труда
- Проблема. Более 50% всех отраслевых сигналов тревоги являются ложными срабатываниями, которые еще предстоит диагностировать и устранить. Наш клиент искал решение, которое позволило бы его инженерам оптимизировать рабочий процесс и тратить меньше времени на обслуживание недействительных аварийных сигналов.
- Решение. Платформа NarrativeWave автоматизировала анализ первопричин событий для получения действенной информации на основе данных производителя. Результатом стало объяснение произошедшего события и рекомендации о том, что делать дальше, которые были предоставлены инженерам в течение нескольких минут.
- Воздействие. Платформа точно и быстро устраняла ложные тревоги, позволяя инженерам уделять больше времени устранению действительных тревог и обслуживанию клиентов. Впервые инженеры максимально эффективно повлияли на деятельность этого производителя.
Повышение эффективности при создании моделей обнаружения
- Задача. У крупного корпоративного клиента была надежная настройка анализа с 3 моделями обнаружения и 150 пороговыми вариантами. Процесс итерации моделей обнаружения у клиента изначально занимал 3–4 месяца и требовал, чтобы инженеры полагались на разработку инженера-программиста, специалиста по данным или стороннего поставщика программного обеспечения.
- Решение. Платформа NarrativeWave предоставила интуитивно понятный конвейер, позволяющий бизнес-пользователям быстро создавать, управлять и повторять свои собственные модели обнаружения. Платформа ориентирована на пользователя, управляется и используется внутренними инженерами заказчика, без постоянной потребности в разработчиках или специалистах по данным.
- Влияние. Время итерации значительно сократилось с момента использования NarrativeWave. Что еще более важно, инженеры этого клиента могут самостоятельно настраивать итерации, что позволяет немедленно влиять на бизнес-операции и на своих клиентов.
Расширенная база знаний нового поколения
- Задача. Инженеры обнаруживают сигналы тревоги по отдельности уже 30 и более лет. Работая с крупным производителем двигателей, мы обнаружили, что процесс обнаружения не записывался, не стандартизировался и не был доступен другим инженерам и руководству организации.
- Решение.Платформа настроена на запись знаний и отзывов инженеров, в результате чего со временем платформа становится все умнее. Инженеры могут настраивать бизнес-анализ и рекомендации, чтобы сделать их максимально точными, тем самым создавая постоянно развивающуюся базу знаний для МСП.
- Воздействие. Результатом стало то, что производитель впервые смог перенять знания своих инженеров. Это расширило сотрудничество между инженерами, улучшила стандартизацию и позволило сделать ценные знания доступными для всей организации.
Улучшенное состояние и управление автопарком
- Проблема. Производители и операторы оборудования в настоящее время не имеют представления об активах всего своего парка, что затрудняет выявление низкоэффективных и наиболее эффективных активов.
- Решение. С помощью NarrativeWave производительность активов можно оценивать практически в режиме реального времени, что позволяет организациям лучше управлять критически важными активами и планировать будущие действия одним щелчком мыши.
- Влияние. Представление всей платформы обеспечивает значительную экономию времени на отслеживание состояния парка и управление им для производителей и операторов оборудования. Кроме того, платформа сокращает время незапланированных простоев и помогает организациям предотвращать критические отказы оборудования.
Улучшенная прогнозная аналитика и обслуживание
- Задача. Производители и операторы оборудования заинтересованы в развертывании прогнозных моделей для улучшения обслуживания активов и гарантийной поддержки. Подходам с чистым машинным обучением не хватает прочной фундаментальной основы, и их может быть трудно реализовать успешно.
- Решение. С помощью базы знаний NarrativeWave ключевая информация, такая как значение событий, взаимосвязь датчиков и то, что представляет собой действительный сигнал тревоги, уже известна. Применяя методы машинного обучения к прочной основе NarrativeWave, прогнозная аналитика реализуется более эффективно.
- Воздействие. Этот подход обеспечивает стратегический метод использования прогнозной аналитики и улучшает результаты внедрения аналитики. В результате получается высокоточная, поддающаяся аудиту платформа, а не чистый подход «черного ящика».
Основа NarrativeWave будет поддерживать внедрение прогнозной аналитики, независимо от того, предоставляется ли она NarrativeWave или сторонними поставщиками программного обеспечения.
Сделайте копию для себя: Загрузить бизнес-кейсы
Сводка
Свяжитесь с нами, чтобы понять, как использование платформы, которая позволяет пользователям эффективно опираться на существующие знания ваших инженеров, обеспечивает более широкое внедрение в вашей организации, повышает вероятность создания краткосрочной и долгосрочной ценности и является лучшей основой для приложения. расширенной аналитики.
Для получения дополнительной информации обращайтесь: [email protected]
Подробнее о NarrativeWave:
Веб-сайт: www.narrativewave.com
LinkedIn: www.linkedin.com/company/narrativewave
Facebook: ww .facebook.com/narrativewave
Твиттер: @narrativew