ビッグデータ分析 による設備保全 · ・データ解析 ・データマイニング...
TRANSCRIPT
© 2015 EXA CORPORATION
ビッグデータ分析
による設備保全
本日のアジェンダ
1.ビッグデータとアナリティクスのご紹介
2.アナリティクスと使ったこれからの分析
3.設備保全での活用イメージ
4.予測モデルの業務適用
1
ビッグデータとアナリティクスの活用領域
• ビッグデータが浸透し様々その活用分野は日々拡大しています。 設備保全や製造業でも活用事例が報告されていますが、業種、業態、業務によって分析の視点、適用する手法が異なっています
2
革新的な新製品の創出 顧客への深い洞察に基づいた行動
RFID追跡および分析 製品／サービス創出のための取引分析
ソーシャルメディア顧客感情分析 プロモーション最適化 顧客セグメンテーション クリックストリーム分析 ロイヤルティプログラム分析 離反予測
業務プロセスの最適化 サプライチェーン最適化 売上報告 在庫最適化 ICU患者のモニタリング 疾病監視 交通ネットワーク最適化 店舗配置最適化 故障解析
不正防止とリスクの低減 サイバーセキュリティ 不正モデリングと検知 リスクモデリングと管理 規制レポート
予防的な資産管理
ネットワーク分析 故障予知・予防保全 ITログ解析
ビッグデータとアナリティクスが取り扱う情報
• ビッグデータとアナリティクスの領域ではこれまでのコンピューターアプリケーションや科学技術計算の手法・ツールとは取り扱う情報の特徴が異なっています。 特に設備保全や製造業では『取り扱う情報の種類』と『情報の曖昧性』が分析の障害になっていました
3
ボリューム (Volume)
速度 (Velocity)
種類 (Variety)
正確性 (Veracity)
数テラバイト～数ペタバイトを
超えるサイズのデータ
断片的な動的データを瞬時に
捉える
構造化、非構造化、テキスト
マルチメディアからのデータ
信頼性に欠ける不確実なデータ
不明確な情報
これまでの経営判断とビッグデータによる経営判断の違い
• 企業は分析のスピードを上げ、素早く効果をあげるために、既知の法則をベースとした経験や直感に頼る判断から、事実とデータを活用した予測と最適化に基づく判断に変革しています
4
経験と直感に基づく判断 事実とデータに基づく判断
現状の結果への対応 将来の方向性の確立
年、月、週単位 時、分、秒単位
発想・思いつき 意味・理由の探求
効率化 最適化
従来のアプローチ 新しいアプローチ
意思決定支援 行動への支援
アナリティクスによる学習と予測 ～ 例えば・・・
5
大阪城 予測
立て篭もって いる人数
井戸の数
食料貯蔵量
武器庫の場所
将兵の居住地
殿様の住居
厨房の場所
アナリティクスによる学習と予測 ～ 例えば・・・
6
姫路城 学習
大阪城 予測
立て篭もって いる人数
井戸の数
食料貯蔵量
武器庫の場所
将兵の居住地
殿様の住居
厨房の場所
熊本城 学習
松本城 学習
名古屋城 学習
アナリティクスによる学習と予測 ～ 例えば・・・
7
城内の音
排水の量
煙 物資の搬入量
臭い 規模・外周
樹木の種類・量
人の出入り 姫路城 学習
大阪城 予測
立て篭もって いる人数
井戸の数
食料貯蔵量
武器庫の場所
将兵の居住地
殿様の住居
厨房の場所
熊本城 学習
松本城 学習
名古屋城 学習
アナリティクスによる学習と予測 ～ 例えば・・・
8
城内の音
排水の量
煙 物資の搬入量
臭い 規模・外周
樹木の種類・量
人の出入り 姫路城 学習
大阪城 予測
立て篭もって いる人数
井戸の数
食料貯蔵量
武器庫の場所
将兵の居住地
殿様の住居
厨房の場所
熊本城 学習
松本城 学習
名古屋城 学習
情報の学習
とモデル化
アナリティクスで活用する情報と分析手段
• 従来、分析に使われる情報は数字でしたが、アナリティクスの世界では数字に加え『コード』『記号』『文字』『文章』『画像』など使用できる情報の範囲が格段に広がりました
9
データ ・数字 ・コード
テキスト
・Narrativeデータ
・文章
189046 3243 37587
27927 2392 32027
情報
知識・情報
Internet
Intranet
21世紀は環境の世紀と 言われるように、2000 年以降、日本国内でも 循環型社会形成推進 基本法に基づき各種
画像・動画
・特徴量抽出
・メタデータ自動付与
・データ解析
・データマイニング
・最適化
・テキストマイニング
アナリティクスを使ったこれからの分析
• 従来の分析手法では数値データを使った線形回帰分析と有意差検定で技術知見に基づく仮説を確認していました。アナリティクスの発展で数値以外のデータを取込んだ非線形の分析も可能になり、多変量判別、予測、最適化に活用されています
10
保存
検知
推測 情報統合・ 可視化
分析
最適化
予測
どのように最高の成果を 達成できるか?
最高の成果を達成しつつ、 変化に対応するには?
何が発生し得るのか? この傾向が続いた場合は
どうなるのか? この傾向が続いた場合は
どうなるのか?
何が 起こったのか?
どのくらい、 どこで?
何が原因か? 必要な
アクションは?
構造化・非構造化データ データの整理・統合
・数字
・テキスト
・画像
・音声
・動画
シミュレーション 予測 予測モデル
最適化 確率最適化
これから
従来→
データマイニングと統計分析の違いは？
• 従来の分析は技術知見に基づいた仮説を数式で記述し、予測と実績を検定して仮説の正しさを確認していました。現在、技術知見で仮説を設定できない現象が残され、仮説を見つけ出すための多角的な事実の理解が必要です
11
■仮説検証活動
技術的に因果関係が説明できており、精度良く結果を予測したい
■仮説発見活動
技術的に説明できないズレやバラツキがある
変数の分割条件
いかに精度良く結果指標の近似ができているかで判断する
⇒検定で検証
いかにデータを効果的に分割できているかで判断する
⇒確率の改善度で検証
0
10
20
30
40
50
0 5 10 15 20
Z= aX + b
Z =α1*Y1+α2*Y2+α3*Y3+β
結果変数
Ｚ
結果変数
Ｚ
原因変数
Ｙ
原因変数 Ｘ
原因変数 Ｘ
原因変数 Ｙ
回帰直線
Ｙの分割条件
Ｘの分割条件 回帰直線
▲
▲ ▲
▲
▲ ▲ ▲
▲ ▲
▲ ▲ ▲
▲
データマイニング 従来の分析
個別の因果関係を
精度良く記述する
↓
全ての要因から
結果確率を最大化する
12
データマイニングで使われる手法（例）
• データマイニングの世界では日常の３次元の世界では判別できなかった特長を見つけることが出来ます
• 決定木、クラスタリング、ニューラルネットワーク、主成分分析、サポートベクターマシン、アソシエーションなど多次元分析のイメージをご紹介します。
ニューラルネットワーク 人の脳神経系を模した モデルを使い、予測値と 実測値の差が最小となるモデルを導出します。
入力層(x) 中間層 出力層(y)
目的変数１
目的変数２
・・・
重み(w)
変数１
変数２
変数３
・・・
変数N
決定木 多次元の条件(説明変数)の中から結果(目的変数)に影響のある条件を探し出します
アソシエーション 多次元の要因(説明変数)からお互いに関連の強い要因を探し出します
サポートベクターマシン サンプルが分類できない状況で、新たな空間に変換します
主成分分析 様々な属性からサンプルを特徴付ける成分(軸)を導出します
クラスタリング データ間の類似度を定義し、類似度の近いものをグループ化します。
クラスタA
クラスタC
クラスタD クラスタE
クラスタB
設備保全での活用事例 概要
13
掲載不可
予測モデルと業務の連携
• 分析エンジンを機能させるには、以下のような機能を検討する必要があります
– 既存システムのDBに蓄えられているデータ、時々刻々と集まってくるリアルタイムの情報を加工し分析データとして蓄えます
– 分析エンジンを必要なタイミングで起動し予測を行います
– 分析エンジンの出力を蓄えると同時に、必要な情報を発信します
14
サービス支援 データ加工（ETL） SPSS
加工 既存DB
記録
入力変数
報告書入力画面 登録
センサー
マージ 予測結果
IN メール 発報
モデル 構築
IN
出動 予測 加工
モデル
OUT 取込
予測結果画面
メール
表示
マスタ 記録 業務画面
データ加工と 分析エンジンの起動 予測 予測結果
の処理 既存 ツール
既存 ツール
ビッグデータ分析のまとめ
• ビッグデータは大量、多様かつ動的なデータを取り扱うための環境と考えてください
• データ分析は多次元で曖昧な情報から特徴を探し出すアプローチと位置づけてください
• データ分析に取組む必要のない状況 – 自社・自部門の技術力に可能性がある
– 理屈はわかっているがデータが取れていない
– 原因と結果の情報が紐付けられていない
• データ分析に取組むべき状況 – 自社・自部門の技術力に新しい切り口を加えたい
– 技術的な検討は全て行ったがズレ・バラツキ・突発事故の原因がわからない
– 経験的にはわかっているが兆候と結果をつなぐ要因がわからない
• データ分析による最適化や予測は競争力の源泉になる可能性が高く、競合他社と同じでは独自性を発揮できません。自社にユニークなアプローチを探求するために専門の知識や経験を活用することをお奨めします。
• ご清聴ありがとうございました
15
END OF FILE
16