제조 분야에서 데이터 분석 프로젝트를 시작하는 방법

이 문서는

에 관한 것입니다. <울>

소프트웨어 솔루션에 중점을 둔 마케팅 전문가인 Stefanie는 일반적으로 생산 전문가가 제기하는 데이터 분석에 대한 몇 가지 기본적인 질문에 대해 설명합니다.

데이터 분석이라는 주제는 의심되는 만큼 과장되어 있습니다. 의견의 스펙트럼은 "경제의 새로운 석유로서의 데이터"에서 "분석 결론은 100% 신뢰할 수 없음"과 그 사이의 모든 뉘앙스에 이르기까지 다양합니다. 각각은 나름의 방식으로 참입니다. 이 주제를 더 잘 이해할 수 있도록 생산 전문가가 일반적으로 제기하는 몇 가지 되풀이되는 질문을 모아 당사의 제조 분석 엔지니어, IT 전문가 및 데이터 과학자와 논의했습니다.

1. 데이터 분석 프로젝트는 어떤 조직 수준에서 또는 어떤 기능으로 시작해야 합니까?

최고의 수준이나 기능은 없습니다. 프로젝트 시작 위치는 다음과 같은 여러 요인에 따라 다릅니다.

귀하의 회사는 데이터 분석의 개념을 이미 잘 이해하고 있습니까?
그렇지 않은 경우 시작하는 가장 좋은 방법은 전문가와 경영진 모두를 위한 데이터 분석 오리엔테이션 워크숍을 개최하는 것입니다. 이 워크숍의 목표는 분석 가능성에 대한 기본적인 이해를 제공하고 잠재적 사용 사례를 식별하는 것입니다.

경영진이 기술 프로세스를 (깊게) 이해하고 있습니까?
그렇지 않다면 생산 현장 전문가와 함께하는 요구 사항 워크숍이 첫 번째 선택이 될 수 있습니다. 출력은 일반적으로 원인 및 결과 다이어그램입니다(아래 참조). 일반적으로 당사의 데이터 분석 팀(IT, 제조 및 데이터 과학 전문가로 구성)은 "재작업과 폐기를 구별하시겠습니까?"와 같은 심층적인 질문을 합니다. 최선의 경우 경영진을 참여시켜 진지한 동의를 얻는 것이 매우 도움이 될 수 있습니다.

출처:Bosch.IO

데이터 분석이 해결해야 할 문제가 구체적으로 정의되었습니까?
그렇다면 먼저 분석 도구를 선택할 수 있습니다. 문제는 "EoL 테스트 노력이 너무 높아 줄여야 합니다."와 같이 구체적일 수 있습니다. 그런 다음 분석 팀은 즉시 프로덕션 현장 전문가와 협력하여 기존 테스트 시간 단축 도구를 적용할 수 있는지 또는 어떻게 사용자 정의하거나 확장해야 하는지 결정할 수 있습니다.

2. 데이터 분석 프로젝트에서 어떤 관점을 관리해야 합니까?

Bosch에서 수행한 UX 연구 덕분에 우리는 해결해야 할 세 가지 유형의 식물 전문가가 있다는 것을 알고 있습니다. 각각은 완전히 다른 방식으로 처리해야 합니다. 비즈니스 수준에서 더, 기술 수준에서 더 많이, 또는 데이터 수준에서 더 많이.

출처:Bosch.IO

회의적인 유형 데이터 분석이 제공할 이점에 대한 증거가 필요합니다. 회의론자를 설득하려면 ROI 메커니즘에 대한 탁월한 이해가 필요하며 출력, 품질 및 비용에 중점을 둔 결과로 이러한 메커니즘을 신속하게 검증할 수 있어야 합니다.

오픈 마인드 type은 사물을 최적화하는 새로운 방법에 관심이 있습니다. 어떤 방법이 사용되는지, 왜 특정 알고리즘이 선택되는지, 결과 예측 모델이 라이브 데이터에 적용할 준비가 된 이유를 설명하는 데 중점을 두어야 합니다.

신도 일반적으로 이미 데이터 분석에 노출되어 있으며 비즈니스에 변화를 줄 수 있다고 믿습니다. 시작하는 가장 좋은 방법은 데이터 분석 프로젝트를 위해 그 또는 그녀와 팀과 함께 CRISP-DM(데이터 마이닝을 위한 산업 간 표준 프로세스, 아래 다이어그램 참조)을 즉시 적용하는 것입니다.

출처:Bosch.IO

우리의 경험에 따르면 오리엔테이션 워크샵은 일반적으로 모든 이해 관계자의 동의를 얻는 데 매우 유용한 것으로 입증되었습니다. 우리는 일반적으로 비즈니스 질문으로 시작한 다음 해당 질문과 관련된 기술 프로세스 및 제약 조건을 이해함으로써 반복합니다. 우리 엔지니어들은 복잡한 회귀 분석이 이점으로 쉽게 전달될 수 있다는 점을 고객에게 한 번 이상 설득했습니다.

3. 데이터 분석 프로젝트를 수행하려면 어떤 지식이 필요합니까?

스테파니 파이츠커

저는 지리학(독일 아우크스부르크 대학교)을 전문으로 경영학 석사 학위를 받았습니다. 2003년부터 Bosch.IO(이전의 Bosch Software Innovations)에서 근무하고 있습니다. 저는 비즈니스 규칙 관리 시스템인 Visual Rules의 마케팅을 구축하고 전 세계 고객을 확보하는 데 기여했습니다. 2009년 1월부터 저는 현재 7명의 직원으로 구성된 민첩한 팀인 Bosch.IO의 마케팅 솔루션 팀을 운영하고 있습니다. 이들은 모두 소프트웨어 솔루션을 실제 경험으로 만드는 데 중점을 두고 고객의 요구와 시장 동향에 대해 더 많이 배우려고 노력하고 있습니다.

데이터 분석 팀은 다음 세 가지 영역에서 기본적인 이해를 얻어야 합니다.

비즈니스: 고객은 비즈니스 관점에서 프로젝트 목표와 요구 사항에 대해 설명해야 고객이 이 지식을 데이터 분석 문제의 정의로 변환할 수 있습니다.

데이터: 데이터 준비, 모델링, 평가 및 배포 – 간단한 보고서 생성부터 예측 모델의 라이브 배포까지 모든 것. 순수한 데이터 이해는 많은 산업에서 도움이 되는 견고한 기반으로 입증되었지만 제조에는 초점이 없습니다.

기술적 절차: 고객으로서 당신은 전체 생산 가치 사슬에 대한 기본적인 설명을 제공해야 합니다. 분석이 답해야 하는 질문에 따라 용접 프로세스, 레이저 프로세스, 테스트 또는 조임 프로세스. 이것이 바로 분석 팀이 제조 분석 엔지니어를 필요로 하는 부분입니다.

4. 제조 분석을 배포하기 전에 제조 조직에서 수행해야 하는 기초 작업은 무엇입니까?

언뜻 보기에 데이터 수집 및 준비는 많은 생산 전문가에게 어려운 과제로 보입니다. 이들의 기초는 필요에 따라 데이터를 사용할 수 있도록 하는 것입니다. "데이터가 없습니다"는 유효한 응답이 아닙니다. 그러나 그것은 로켓 과학이 아닙니다. 분석에 필요한 양, 품질, 유효성 측면에서 데이터를 준비하는 과정을 고객에게 안내하는 데이터 품질 가이드라인을 권장합니다.

출처:Bosch.IO

5. 분석을 적용하는 데 필요한 최소 데이터 양은 얼마입니까?

경험상 영향을 주는 변수당 최소 15개의 관찰 또는 데이터 세트가 있는 것이 좋습니다. 즉, 30개의 공정 매개변수가 품질 지표에 미치는 영향을 분석하려면 최소한 30 * 15 =450개의 데이터 세트가 필요합니다.

일반적으로 말하자면, 물론 데이터 세트가 많을수록 좋습니다. 걱정하지 마십시오. 더 많은 데이터 세트가 수동 작업의 양을 크게 증가시키지 않습니다. 또한 적절한 데이터 분석 IT 인프라에서는 일반적으로 무시할 수 있는 컴퓨팅 시간에 미치는 영향이 미미합니다.

획득 및 준비된 데이터의 양, 품질 및 유효성이 프로젝트 성공에 중요하므로 프로젝트의 이 단계에 투자하는 것이 좋습니다. 이를 통해 더 자세히 안내하기 위해 데이터 품질 지침 세트에 많은 프로젝트의 경험을 통합했습니다. 고객은 이러한 지침을 사용하여 데이터 수집에 불필요한 시간이나 비용을 투자하지 않고 적절한 데이터베이스를 생성합니다.

6. 회사에 데이터 과학자나 대규모 IT 팀이 없는 경우에도 분석을 활용할 수 있나요?

이것이 바로 전문 분석 파트너가 프로젝트와 솔루션을 실현하는 데 기여할 것입니다. 유능한 팀은 제조 엔지니어, IT 전문가 및 데이터 과학자로 구성됩니다. 분석 기반 솔루션을 개발하려면 비즈니스, 데이터 및 기술 프로세스에 대한 이해가 필요하기 때문에 이 조합은 린 분석 접근 방식으로 문제를 해결하는 열쇠입니다. 조직에 데이터 과학자를 고용할 필요가 없습니다. 전문 파트너가 기본 분석에 대한 사전 프로젝트 워크샵을 제공하여 가능한 사용 사례를 식별하고 개발된 모델을 검증하는 방법을 배우게 됩니다. 그런 다음 프로젝트 회의에서 이 지식을 적용하여 결과를 논의합니다.

출처:Bosch.IO