Новости

«Прогноз погоды» на производстве – комментарий Сергея Котика для журнала «Умное производство»

Вышел комментарий директора по развитию GoodsForecast Сергея Котика для журнала “Умное производство”.

Как в нашем далеко не стабильном мире в целом, так и в бизнесе в частности многим предпринимателям хотелось бы обзавестись даром предвидения, чтобы предсказывать развитие событий. А пока в рядах промышленников не появились Нострадамусы нового времени, технологии неплохо заменяют провидцев прошлых столетий и здорово выручают производителей своими подсчетами. Как вы уже догадались, речь идет о прогнозной аналитике, демонстрирующей возможные исходы определенной деятельности. По мнению экспертов, машинное вычисление способно предотвратить большие денежные потери и уберечь от неосторожных и неверных управленческих решений. Но так ли идеальна система предиктивной аналитики и так ли неприхотлива? Подробнее о «строительных» данных анализа, прогнозах «по гарантии» и «приложенной руке» искусственного интеллекта ко всему этому в новом лонгриде «Умнпро» –  полная версия по ссылке:

https://umnpro.com/industriya-4-0/prognoz-pogody-na-proizvodstve/

Ниже публикуем редакторскую версию ответов на вопросы:

Предиктивная (она же прогнозная) аналитика на основе имеющейся информации предсказывает, как события будут развиваться дальше. Расскажите, при помощи каких методов происходит данный процесс?

Выбор методов существенно зависит от решаемой задачи, но в основном, сегодня применяются методы прикладного статистического анализа и машинного обучения. С помощью методов математической статистики выполняется разведочный анализ и очистка данных, а также их визуализация. Непосредственно задача прогнозирования рассматривается как задача машинного обучения, когда применяемый алгоритм пытается выявить закономерности в прошлых данных, которые помогут ему предсказать будущее. Сама область машинного обучения охватывает широкий набор методов: от простейших линейных регрессионных моделей до сложных архитектур искусственных нейронных сетей.

Какова область применения прогнозной аналитики в промышленной отрасли? На каких производствах чаще всего применяется предиктивная аналитика?

Основных области применения две – планирование и predictive maintanence.  В процессе планирования прогнозируется спрос, рассчитываются оптимальные уровни запаса готовой продукции, которые необходимо поддерживать, чтобы данный спрос удовлетворить, и строятся производственные планы, позволяющие изготовить эту продукцию с минимальными издержками. Чем лучше мы сможем спланировать наши действия (здесь, кстати, не стоит путать планирование с предсказанием будущего), тем более экономически эффективно будет работать наше предприятие. Задача predictive maintanence, или предиктивного обслуживания производственных мощностей, позволяет избежать дорогостоящих поломок оборудования или сократить количество остановок производства для регламентного обслуживания. И то, и то существенно снижает издержки на производственный процесс.

Для каких производственных площадок необходима предиктивная аналитика?

Думаю, предиктивная аналитика на текущий момент, все-таки больше необходима среднему и крупному бизнесу. Для получения отдачи на инвестиции, вложенные в развитие подобных моделей, нужен определенный масштаб производства. Да и степень автоматизации, и качество данных, которые необходимы для корректной работы моделей,  у крупных компаний выше.

Какие задачи стоят перед предиктивной аналитикой на производстве?

Основная задача  – это не идеально точно предсказать будущее, а оптимальным образом спланировать свои действия, исходя из прогнозируемого развития событий. Нам ведь знания о том, что произойдет, нужны не сами по себе, а для конкретных действий, а самое главное, для подготовки к этим действиям уже сейчас. И в этом предиктивные модели, конечно, оказывают неоценимую помощь. Тот объем информации, который сейчас накапливается в производственных компаниях, и на основе которой можно планировать действия,уже, конечно, невозможно корректно обрабатывать вручную.

Из каких данных строится будущий прогноз, какие этапы включает в себя? Например, какие данные необходимы для предиктивного анализа оборудования?

Мне проще рассказать на примере прогноза спроса – наша компания занимается как раз задачами интегрированного планирования для производства, и прогноз спроса это один из шагов данного процесса. Прогноз спроса может строится с помощью различных моделей, но так или иначе анализируется история продаж, история остатков, периоды промо-активностей, ассортиментная матрица и многое другое. Также первым шагом всегда необходимо подготовить данные для построения корректного прогноза, и этот шаг, data preparation, не менее важен чем правильная настройка моделей.

Насколько затратен предиктивный анализ? Или это впоследствии помогает сэкономить гораздо большие суммы?

Если бы внедрение предиктивных моделей в бизнесе не окупалось, их никто бы не внедрял. Конечно это инвестиции – где-то бОльшие, где-то меньшие, но в перспективе для предприятия с достаточно масштабным производством, внедрение инструментов предиктивного анализа экономит гораздо более существенные суммы, чем были затрачены на проект.

Всегда ли действенно применение предиктивной аналитики? Какие гарантии есть у прогнозной аналитики или это всего лишь предположения и рассчитывать на какие-либо точные результаты не стоит?

Не стоит говорить о какой-то абстрактной точности прогноза – это как опираться на среднюю температуру по больнице. Для каждой конкретной компании, работающей на определенном рынке и имеющей свой набор данных, будет своя достижимая точность моделей. Еще раз повторю свою мысль – нам нужен план действий, который позволит добиться большей экономической эффективности. Если предиктивная модель позволяет такой план сформировать по сравнению с ситуацией, когда у нас модель не используется, значит ее имеет смысл внедрять. Даже если у нее точность, условно, 50%, а со стороны кажется, что должна быть точность 100%.

На базе чего происходит прогнозирование? Может быть, существует какая-либо идеальная программная система для предиктивной аналитики?

Сейчас существует большое количество программных продуктов, которые предназначены для прогнозирования. Некоторые из них специализированы и ориентированы на аналитиков и data scientist -ов, некоторые ориентированы на конечных бизнес-пользователей. Подходящий программный продукт должен встраиваться в бизнес-процессы компании и оптимизировать их. Математика без понимания бизнес-процессов сама по себе не поможет.

Насколько нам известно, при помощи искусственного интеллекта возможно более оптимизированное и быстрое прогнозирование. Так ли это? Насколько развито данное взаимодействие на российском производстве?

Да, за счет моделей машинного обучения можно добиваться более высокой точности прогнозирования во многих случаях. Мы активно используем в своих продуктах комбинацию методов машинного обучения и классических моделей прогнозирования, и это на текущий момент самый передовой подход. В прошлом году мы заняли 2-е место в самом представительном конкурсе по прогнозированию в мире – М5 Forecasting Competition, в котором участвовало более 5500 команд из 100 стран. И нам, и победителям конкурса 2018-го года из Uber, успех принес именно он.

Сообщение отправлено!
Наши специалисты свяжутся с вами в ближайшее время.
Заполните форму
и получите ссылку на скачивание Партнерской программы
Сообщение отправлено!
Наши специалисты свяжутся с вами в ближайшее время.
Отправьте заявку на участие
в партнерской программе