在当今制造业的各个方面,似乎都有很多炒作大数据分析而且预测分析.在过去的一个月里,我听了十几个不同的供应商简报,或与大数据相关的网络研讨会,或使用数据收集有关某些业务功能的更多信息。在某些情况下,它是关于使用预测分析来改善资产性能和提高可靠性。在其他情况下,它是关于驱动最优流程性能、更好地理解消费者/客户或优化供应链的性能。
而且,这还没有考虑到预测技术最常见的形式之一,模拟产品生命周期管理(PLM)空间。从拥有沃森技术的IBM,到提供增强分析的专业供应商,再到坐在a数据的历史学家传统的预测性维护(PdM)解决方案提供商,预测分析已成为市场空间仅次于工业物联网(IIoT)每个供应商似乎都在追求。那么,是什么推动了这些兴趣?为什么是现在?
预测分析:科学还是算命?
现在有很多关于预测分析的炒作。一些关于预测分析价值的说法似乎好得令人难以置信,而且很可能不是真的。关于预测分析有很多定义,但最普遍接受的版本都集中在三个关键点上:
- 它是关于从数据.
- 这是关于预测潜在的趋势或行为模式
- 它可以与未来当前或过去的事件。
综上所述,预测分析是通过分析数据来预测潜在的结果,而不是绝对肯定地宣布将会、可能或已经发生的事情。对于大多数企业来说,预测分析是基于手头的数据来理解可能发生的可能性。预测的质量取决于两件事,一是预测算法的质量或保真度,二是算法所操作的数据的“质量”。数据“质量”可以通过几种不同的方式受到影响。首先,数据可能不好;那就是数据并不准确或精确。有了坏数据,预测算法再好,预测结果也不会很好。另一种情况是,数据实际上很好,但不完整。在这种情况下,由于算法没有足够的数据来做出良好的预测,预测也可能不是很好。当然,如果算法本身不好,不管数据有多好,得到的预测结果极有可能是有缺陷的。
预测分析:过去与现在
在过去,正是对优秀算法的需求推动了预测分析市场的发展。无论是MRO库存优化、基于状态和以可靠性为中心的维护(CBM/RCM),还是高级的基于模型的过程控制和过程优化,预测引擎的质量和对过程或领域动态的理解都是可靠和有利可图的结果的关键。这就是预测分析的“当时”。预测分析的“现在”始于IBM的沃森(Watson),它在电视游戏节目《危险边缘》(Jeopardy)中获得冠军,并最终获胜。强大的基于计算平台的预测分析引擎的出现,可以解决任何问题,不完美的数据,并提供可靠的结果,正在改变预测分析的格局。大数据是多样化的,不一定是结构化的,这促使数据存储库的制造商,如企业软件供应商和数据库供应商,提供易于配置的强大分析引擎。反过来,强大的分析引擎使得任何人都可以对几乎任何类型的数据进行预测分析,并得到可接受的结果。
未来的预测分析
随着工业物联网的发展,来自越来越多的传感器、系统和设备的数据量将呈指数级增长。过去对高度工程化和特定领域的预测分析解决方案的依赖可能也将无法跟上这种扩张的步伐云的数据。云计算的力量将继续增长,自学习预测分析解决方案的能力将适应新的和不同的信息流,这将挑战过去的预定义模型。然而,赢家不会仅仅是更新的基于云的自我学习系统,无论它们有多便宜,除非它们能提供与专用解决方案相同的预测质量。最终的赢家将体现两者的优点;特定领域的模型提供高质量的开箱即用的结果,以及基于学习的预测分析解决方案,可以适应不断增长的复杂数据流,提供更好的预测,所有这些成本都使所有企业都能负担得起这项技术。