Analytics

Systemische Sammlung, Analyse, Aufbereitung und Darstellung Ihrer Daten für optimale operative und strategische Entscheidungen.

Advanced Analytics
Mit Hilfe von Advanced Analytics Lösungen gelingt es, entscheidende Verbesserungen in...
Mehr lesen
Predictive Analytics & Maintenance
Predictive Analytics ermöglicht es, mit Hilfe unternehmenseigener Daten zukünftige Trends...
Mehr lesen
Selfservice BI, Adhoc Analysen
Die Anwender der einzelnen Fachabteilungen können jederzeit eigenständig und unabhängig...
Mehr lesen
Machine Learning
Ein System lernt aufgrund eines aus Algorithmen aufgebauten Modells aus bereits erfolgten...
Mehr lesen
Digitalisierung, IoT & Industrie 4.0
Daten werden in sämtlichen Unternehmensprozessen generiert, gesammelt und analysiert....
Mehr lesen
Data Science
Data Science bietet Ihnen die Chance - nicht auf den ersten Blick ersichtliches Wissen -...
Mehr lesen

Development

Umfassende Situationsanalyse, fundierte Beratung, professionelle Umsetzung individueller Softwarelösungen sowie kompetente Unterstützung.

Development
Wir entwickeln für Sie individuelle Lösungen mit projektspezifischen Funktionen.
Mehr lesen
Business Process Management
​​​​​​​Wir führen durch das Business Process Management eine kontinuierliche Verbesserung...
Mehr lesen
SharePoint Entwicklung
Unsere SharePoint EntwicklerInnen, entwickeln und erstellen Konzepte und Lösungen für die...
Mehr lesen
Internet of Things
Das Internet der Dinge (Internet of Things; IOT) beschreibt die zunehmende Vernetzung...
Mehr lesen
Zur Übersicht
Zur Startseite
Schliessen

Aktuelles

Neuigkeiten rund um cubido.
Zur Übersicht

Wo sind die ANDEREN?

In diesem Beitrag widmen wir uns dem Thema Abweichungen mit Data Science. Wir stellen uns nicht die Frage „Warum ist etwas anders?“ oder „Warum wird etwas kaputt?“, sondern „Wer oder was ist wirklich anders?“.

Das ist die UMKEHR der üblichen Vorgehensweise. Man betreibt nicht nur bloße Ausreißer Analyse und entscheidet weiter wie man mit diesen Ausreißern umgehen soll, sondern man vergleicht die Merkmale einer Maschine oder eines Produkts (oder das Verhalten eines Kundensegments) mit anderen, um so „besondere“ Maschinen oder Produkte zu finden.

Damit lässt sich umgekehrt die Frage stellen: „Sind diese Maschinen oder Produkte auch noch ANDERS anders?“, d.h. können wir besondere Ausfälle, Fehler oder ähnliches so alleine analysieren?

Konkrete Anwendungsbeispiele wären:

  • Wenn man die Ausfallszeit von Maschinen über einen längeren Zeitraum aufzeichnet und betrachtet, kann man sich die Frage stellen: Gibt es Maschinen die sich im Ausfallsverhalten zu bestimmten Zeitpunkten (Monate 1 -12, vollen Stunden von 0-23 Uhr etc.) deutlich vom Rest unterscheiden? Gibt es Maschinen, die de facto nie ausfallen (und daher besonders sind) oder Maschinen, die allzu oft, nahezu immer nur zu bestimmten Zeitpunkten ausfallen im Gegensatz zum Rest, der über den Zeitraum gleichmäßig verteilt ausfällt (und daher besonders sind)?
  • Gibt es Maschinen, die sich bzgl. einer bestimmten Eigenschaft anders verhalten als die anderen Maschinen? Gibt es also z.B. Maschinen, deren Betriebstemperaturen laufend in einem deutlich anderen Spektrum vorzufinden sind als alle anderen Maschinen?
  • Gibt es Todesarten bei Menschen, die bzgl. Todeszeitpunkt anders sind als der Rest der Todesarten?

Zur letzten der drei vorhin genannten Anwendungsbeispiele gibt es eine Veröffentlichung von Hadley Wickham (http://vita.had.co.nz/papers/tidy-data.pdf, p.16 ff), wo eine für den konkreten Datensatz von Todesfällen in Mexico im Jahr 2008 präsentierte Methode zum Bestimmen der außergewöhnlichen Todesfälle beschrieben wird.

Bei genauerer Betrachtung dieser Methode erkennt man, dass sehr viele außergewöhnliche Todesfälle als solche erkannt werden. Jedoch eine geringe Zahl, die als außergewöhnlich zu identifizieren sein müssten, werden als „normal“ erkannt und vice versa.

Das Data Science-Team von cubido hat die Grundidee dieses Algorithmus aufgeschnappt und einen alternativen Ansatz zur Bestimmung von außergewöhnlichen Datensätzen entwickelt, um für möglichst viele beliebige Daten Aussagen zu Verhaltensabweichungen treffen zu können (und dies fallweise sogar mit besserer Trefferquote als mit dem Algorithmus von Hadley Wickham).

Um zu illustrieren, wie Ergebnisse unserer Verhaltensanalyse aussehen können, betrachten wir ein Beispiel aus der Praxis. Konkret sehen wir uns die Ausfallszeiten von Maschinenteilen eines bestimmten Geräts an und beobachten hierfür das Verhalten der Ausfälle in den Monaten Jänner – Dezember über einen Zeitraum von 3 Jahren.

Nach Anwendung unserer Verhaltensanalyse ergibt sich folgendes Bild: Jeder Punkt entspricht einem Maschinenteil. Aufgetragen ist die Häufigkeit eines Ausfalls (n) gegen die Abweichung zum allgemeinen Ausfallsverhalten (dist). Man erkennt anhand der rosa Punkte die Detektion der Maschinenteile, die kaum ausfallen (und daher besonders sind) und Teile, die öfter ausfallen und auch ein gewisses Maß an Abweichung zum allgemeinen Ausfallsverhalten haben (und daher auch besonders sind).

 

Blog | Predictive Analytics & Maintenance
06. Februar 2018 von Jörg Forstner
Werbeagentur Moremedia, Linz