Een data-analyseproject starten in de productie

Dit artikel gaat over

• Als marketingspecialist met een focus op softwareoplossingen, bespreekt Stefanie enkele basisvragen over data-analyse die productie-experts gewoonlijk stellen.

Het onderwerp data-analyse is net zo gehyped als in twijfel getrokken - het spectrum van meningen varieert van "gegevens als de nieuwe olie van de economie" tot "analyseconclusies zijn niet 100% betrouwbaar" en alle nuances daartussenin. Elk is op zijn eigen manier waar. Om u te helpen dit onderwerp beter te begrijpen, heb ik een aantal terugkerende vragen verzameld die productie-experts gewoonlijk stellen, en deze besproken met onze productieanalyse-engineers, IT-experts en datawetenschappers.

1. Op welk organisatieniveau of met welke functie moet ons data analytics project starten?

Er is geen beste niveau of functie. Waar een project moet worden gestart, hangt af van verschillende factoren:

Is het concept van data-analyse al goed begrepen in uw bedrijf?
Zo niet, dan is de beste manier om te beginnen een workshop data-analyse oriëntatie te houden voor zowel experts als het management. Het doel van deze workshop is om een ​​basisbegrip te geven van de mogelijkheden van analytics en om potentiële use-cases te identificeren.

Heeft het management een (diep) inzicht in het technische proces?
Als dat niet het geval is, kan een workshop vereisten met experts op de productielocatie uw eerste keuze zijn. De output is meestal een oorzaak-gevolgdiagram (zie hieronder). Doorgaans stelt ons data-analyseteam (bestaande uit een mix van IT-, productie- en datawetenschapsexperts) diepgaande vragen, zoals:"Wilt u onderscheid maken tussen herbewerking en afval?" In het beste geval kan het erg nuttig zijn om het management erbij te betrekken om een ​​serieuze buy-in te bereiken.

Bron:Bosch.IO

Is het probleem dat data-analyse naar verwachting zal oplossen concreet gedefinieerd?
Als dat het geval is, kunt u eerst kiezen voor een analysetool. Het probleem kan zo concreet zijn als "EoL-testinspanning is te hoog en moet worden verminderd." Een analyseteam kan dan onmiddellijk aan de slag met de experts van de productiesite om te bepalen of een bestaande tool voor het verkorten van de testtijd kan worden toegepast of hoe deze mogelijk moet worden aangepast of uitgebreid.

2. Welke perspectieven moeten we beheren in een data-analyseproject?

Dankzij een door Bosch uitgevoerd UX-onderzoek weten we dat er drie soorten fabrieksexperts zijn die moeten worden aangepakt, elk op een geheel andere manier – b.v. meer op bedrijfsniveau, meer op technisch niveau of meer op dataniveau.

Bron:Bosch.IO

Het sceptische type heeft bewijs nodig van de voordelen die data-analyse zal opleveren. Om de scepticus te overtuigen, hebben we een uitstekend begrip van de ROI-mechanismen nodig, en we moeten deze mechanismen snel kunnen valideren met resultaten, gericht op output, kwaliteit en kosten.

De open-minded type is geïnteresseerd in nieuwe manieren om dingen te optimaliseren. De nadruk moet worden gelegd op het uitleggen welke methoden worden gebruikt, waarom bepaalde algoritmen zijn geselecteerd en waarom het resulterende voorspellingsmodel klaar is voor toepassing op live-gegevens.

De gelovige heeft meestal al ervaring met data-analyse en is van mening dat dit een verschil kan maken voor het bedrijf. De beste manier om te beginnen is om CRISP-DM (cross-industry standard process for data mining, zie onderstaand schema) onmiddellijk met hem of haar en het team toe te passen voor het data-analyseproject.

Bron:Bosch.IO

In onze ervaring zijn oriëntatieworkshops over het algemeen zeer nuttig gebleken om de buy-in van alle belanghebbenden te verkrijgen. We beginnen meestal met de zakelijke vraag en herhalen dit door het technische proces en de beperkingen met betrekking tot die vraag te begrijpen. Meer dan eens zijn onze technici erin geslaagd om klanten ervan te overtuigen dat complexe regressieanalyse gemakkelijk als een voordeel kan worden gecommuniceerd.

3. Welke kennis hebben we nodig om een ​​data-analyseproject uit te voeren?

Stefanie Peitzker

Ik heb een graduaat in management met een specialisatie in geografie (Universiteit Augsburg, Duitsland). Sinds 2003 werk ik voor Bosch.IO (voorheen Bosch Software Innovations):ik heb marketing opgebouwd voor Visual Rules, ons Business Rules Management System, en heb bijgedragen aan het winnen van klanten over de hele wereld. Sinds januari 2009 leid ik het Marketing Solutions-team bij Bosch.IO, een flexibel team van momenteel zeven medewerkers, die allemaal permanent proberen meer te weten te komen over de behoeften van de klant en de markttrends – gericht op het maken van softwareoplossingen tot een echte ervaring.

Uw team voor gegevensanalyse moet een basiskennis verwerven op drie gebieden:

Zakelijk: Als klant moet u hen vertellen over de projectdoelstellingen en -vereisten vanuit een zakelijk perspectief, zodat ze deze kennis kunnen omzetten in een definitie van het data-analyseprobleem.

Gegevens: Gegevensvoorbereiding, modellering, evaluatie en implementatie - alles van het eenvoudig genereren van rapporten tot het live implementeren van voorspellende modellen. Zuiver begrip van gegevens is een solide basis gebleken die nuttig is in veel industrieën, maar er is geen focus op productie.

Technisch proces: U als klant moet een basisverklaring geven van de algehele productiewaardeketen, b.v. het lasproces, het laserproces, testen of het aanspanproces, afhankelijk van de vraag die analytics moet beantwoorden. Dit is waar het analyseteam de ingenieur voor productieanalyse nodig heeft.

4. Welk basiswerk moet mijn productieorganisatie doen voordat ze Manufacturing Analytics in gebruik nemen?

Op het eerste gezicht lijkt het verzamelen en voorbereiden van gegevens voor veel productie-experts een uitdaging. De basis voor hen is om gegevens beschikbaar te stellen als dat nodig is. "We hebben de gegevens niet" is geen geldig antwoord. Maar het is geen raketwetenschap. We raden een richtlijn voor gegevenskwaliteit aan die klanten begeleidt bij het voorbereiden van gegevens in termen van kwantiteit, kwaliteit en validiteit die nodig zijn voor analyses.

Bron:Bosch.IO

5. Wat is de minimale hoeveelheid gegevens die nodig is om analyses toe te passen?

Als vuistregel raden we aan om per beïnvloedende variabele minimaal 15 waarnemingen of datasets te hebben. Met andere woorden, om de invloed van 30 procesparameters op een kwaliteitsindicator te analyseren, zijn minimaal 30 * 15 =450 datasets nodig.

Over het algemeen geldt natuurlijk:hoe meer datasets je hebt, hoe beter. Maak je geen zorgen - meer datasets verhogen de hoeveelheid handmatig werk niet significant. Bovendien hebben ze slechts een kleine impact op de rekentijd, die meestal te verwaarlozen is met de juiste IT-infrastructuur voor data-analyse.

Aangezien de kwantiteit, kwaliteit en validiteit van de verzamelde en voorbereide gegevens cruciaal zijn voor projectsucces, loont het om in deze fase van uw project te investeren. Om u er verder doorheen te leiden, hebben we onze ervaring van vele projecten gebundeld in een reeks richtlijnen voor gegevenskwaliteit. Onze klanten gebruiken deze richtlijnen om een ​​adequate database te genereren zonder onnodige tijd of geld te investeren in het verzamelen van gegevens.

6. Kan ik nog steeds gebruikmaken van analyses als mijn bedrijf geen datawetenschappers of een groot IT-team heeft?

Dit is precies wat uw professionele analysepartner zal bijdragen om u te helpen uw project en oplossing te realiseren. Een capabel team bestaat uit een mix van productie-ingenieurs, IT-experts en datawetenschappers. Deze combinatie is de sleutel tot het oplossen van uw probleem met een lean analytics-aanpak, aangezien het ontwikkelen van uw op analytics gebaseerde oplossing kennis van zaken, gegevens en het technische proces vereist. U hoeft geen datawetenschappers in te huren voor uw organisatie. Uw professionele partner zal pre-project workshops geven over basisanalyses, waar u leert hoe u mogelijke use-cases kunt identificeren en de ontwikkelde modellen kunt valideren. Deze kennis pas je vervolgens toe in projectbijeenkomsten om de resultaten te bespreken.

Bron:Bosch.IO