PLANT MANAGEMENT/ AUTOMATION


Wertschöpfung aus Ihren Daten


Die Daten auf Ihren Servern haben durchaus Potenzial, großes sogar. Bessere Daten ermöglichen bessere Entscheidungen, ganz klar. Banken, Versicherungen und Telekommunikationsunternehmen verfügen bereits über sehr viele Daten zu ihren Kunden. Diese Ressourcen sind für den Aufbau einer persönlicheren Beziehung zu jedem Kunden sehr nützlich.


Einige Organisationen nutzen Daten bereits zur Einrichtung komplexer und maßgeschneiderter Modelle, die auf einer extrem hohen Anzahl an eingegebenen Variablen beruhen; in der Landwirtschaft sind das beispielsweise der Einfluss des Bodencharakters, das Wetter oder der Pflanzentyp. Mit diesen Daten lassen sich die Ernteerträge durchaus verbessern. Flugunternehmen und Hotelketten bedienen sich dynamischer Preismodelle zur Verbesserung ihres Ertragsmanagements. Daten werden immer öfter als die „Goldmine“ des 21. .


Enorme Datenvolumina Noch nie war die Datenerfassung einfacher (Sensoren in


Fertigungsbetrieben, Sensoren in verbundenen Objekten, Daten aus Internetnutzung und Webclicks, von Kreditkarten, Treue-/Kundenkarten, Kundenverwaltungs-Datenbanken, Satellitenbildern usw.). Die Kosten der Datenspeicherung sind heute niedriger denn je (große Speicherkapazitäten in der Cloud und anderswo).


Beispiellose Geschwindigkeit Verbundene Geräte stellen Daten praktisch in Echtzeit zur Verfügung, die dann sehr rasch verarbeitet werden können. Heute ist es möglich, auf jegliche Änderung praktisch sofort zu reagieren.


Unglaubliche Vielfalt


Die erhobenen Daten beschränken sich nicht auf Abrechnungsinformationen; jede Datenquelle ist potenziell wertvoll für ein Unternehmen. Neben nummerischen Daten werden auch unstrukturierte Daten, wie Videos, Bilder usw. gesammelt.


Die förmliche Explosion an verfügbaren Daten zwingt jedes Unternehmen schon fast dazu, die richtigen Fragen zu stellen:


Wie können wir diese Ressourcen in Werte verwandeln?


Sehr einfache Methoden, wie bspw. das Zählen der Wörtern, die bei Abfragen


20


auf Firmenwebsites verwendet werden, geben einen guten Einblick in die Stimmungslage unserer Kunden. Einfache statistische Korrelationen werden häufig verwendet, um einen Kaufvorschlag direkt nach dem Besuch einer Produktseite im Internet vorzuschlagen.


Wenn schon einfache beschreibende Statistiken nützlich sind, können Sie sich sicher ausmalen, was mit


fortgeschrittenen Regressionsmodellen oder leistungsfähigen statistischen multivariaten Techniken erreichbar ist, die mithilfe statistischer Software- Pakete wie etwa Minitab einfach anwendbar sind.


Ein einfaches Beispiel dazu, was die Analyse einer riesigen Datenbank bringen kann.


Lassen Sie uns zum Beispiel betrachten, wie ein Unternehmen von der Analyse einer sehr großen Datenbank profitiert hat.


Da sich Verspätungen nicht nur auf die Wahrnehmung der Kunden, sondern auch auf die Produktivität negativ auswirken, erheben Fluggesellschaften routinemäßig eine sehr große Menge an Daten über Flugverspätungen und Zeiten, die für die Ausführung von Aufgaben vor dem Abflug erforderlich sind.


Eine bekannte weltweit tätige Fluggesellschaft wollte anhand dieser Daten ermitteln, welche entscheidenden Schritte der Flugzeugvorbereitung häufig zu Verspätungen bei den Abflugzeiten führen. Die Gesellschaft nutzte dazu die schrittweise Regressionsanalyse von Minitab, um sich rasch auf die wenigen Variablen zu konzentrieren, die unter einer großen Anzahl von potenziellen Eingaben eine wichtige Rolle spielen. Viele dieser Variablen erwiesen sich als statistisch signifikant, doch nur zwei von ihnen schienen offensichtlich sehr relevant zu sein (X6 und X10).


Bei enorm großen Datenbanken kann die statistische Analyse überempfindlich werden und selbst sehr kleine Unterschiede feststellen (aufgrund der großen Datenmenge und der Leistungsfähigkeit der Analyse). P-Werte tendieren häufig dazu, für viele Prädiktoren recht klein auszufallen (p < 0,05).


Wenn Sie jedoch in Minitab im Regressionsdialogfeld auf Ergebnisse klicken und Erweiterte Tabellen


www.reviewonline.uk.com


auswählen, werden die Beiträge aller Variablen einzeln angezeigt. Zusammengenommen lag der Beitrag von X6 und X10 bei mehr als 80 % der Gesamtvariabilität (mit den bei weitem größten F-Werten), die Beiträge der übrigen Faktoren waren wesentlich kleiner. Anschließend führte die Fluggesellschaft eine Vergleichsprüfung per Restanalyse durch, um das endgültige Modell zu validieren.


Zusätzlich wurde eine


Hauptkomponentenanalyse (Principal Component Analysis) (PCA ist eine Multi-Varianten-Technik) in der Statistiksoftware Minitab durchgeführt, um die Beziehungen zwischen den wichtigsten Prädiktoren und der Antwort zu beschreiben. Es wurde erwartet, dass Meilensteine stark mit den nachfolgenden Schritten korrelierten.


Das obige Diagramm ist ein Ladeprotokoll aus einer


Hauptkomponentenanalyse. Linien, die in dieselbe Richtung gehen und nahe beieinander liegen, zeigen an, wie die Variablen gruppiert werden können. Die Variablen werden visuell nach ihren statistischen Korrelationen und danach gruppiert, wie eng sie miteinander verwandt sind.


Eine Gruppe von neun Variablen erwies sich als stark mit den wichtigsten Inputs (X6 und X10) und den letztlichen Verzögerungszeiten (Y) zu korrelieren. Verzögerungen im X6-Stadium wirkten sich offensichtlich auf die Stadien X7 und X8 (Folgeoperationen) aus und Verzögerungen im X10-Stdium wirkten sich auf die nachfolgenden Operationen X11 und X12 aus.


Schlussfolgerung


Diese Analyse lieferte einfache Regeln, die die Mannschaften der


Fluggesellschaft befolgen können, um Verspätungen zu vermeiden.


Die Fluggesellschaft kann diese Analyse periodisch wiederholen, um nach den nächsten wichtigen Ursachen für Verspätungen zu suchen. Ein solcher Ansatz kann Innovationen vorantreiben und Unternehmen dabei unterstützen, traditionelle und intuitive Entscheidungsmethoden durch datengesteuerte zu ersetzen.


Um weitere Informationen zu erhalten, kontaktieren Sie bitte: info@minitab.co.uk. www.minitab.com


INDUSTRIAL PROCESS REVIEW


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44