Prediktivní analýzy

Zajímavost ze světa 

Prediktivní analýzy bývají označovány jako třetí stupeň práce s daty. Po popisné analytice, která popisuje minulost, a po diagnostické, která hledá příčiny, přichází predikce budoucího vývoje. Nejvyšším stupněm je pak preskriptivní analytika, která rovnou navrhuje, co dělat.[1] 

Co v článku najdete 

• Co jsou prediktivní analýzy a k čemu slouží 
• Jaký je rozdíl mezi popisnou a prediktivní analytikou 
• Jak prediktivní analýzy fungují 
• Kde se prediktivní analýzy ve výrobě využívají 
• Jaká data prediktivní analýzy potřebují 
• Jaký je rozdíl mezi prediktivní analýzou a běžným reportem 
• Jaké jsou limity prediktivních analýz 
• Jak začít s prediktivními analýzami ve firmě 

Co jsou prediktivní analýzy a k čemu slouží 

Prediktivní analýzy jsou skupina metod, které z minulých dat počítají pravděpodobný budoucí vývoj. Firma je používá tam, kde se potřebuje rozhodovat dopředu, ne až podle toho, co se stalo [1]. Příkladem je odhad poptávky na příští měsíc nebo předpověď, kdy je stroj náchylný k poruše. 

Smyslem není přesné věštění, ale lepší rozhodnutí. Pokud firma ví, že poptávka pravděpodobně poroste, může včas objednat materiál a naplánovat výrobu. Rozhodování opřené o data místo o pocit je přitom podle dlouhodobých přehledů spojené s lepšími výsledky firem [1]. 

Prediktivní analýzy se uplatní napříč obory. V obchodě odhadují poptávku a chování zákazníků, ve výrobě poruchy a kvalitu, ve financích riziko. Společné mají to, že z dostatku kvalitních dat hledají opakující se vzory [1]. 

Pro firmu je užitečné vědět, že predikce není samostatný program, ale způsob práce s daty. Staví na tom, co firma už má v účetnictví, skladech a ve výrobě. Čím déle a kvalitněji data sbírá, tím spolehlivější předpověď z nich lze získat. Prediktivní analýzy tak nejsou výsadou velkých korporací, ale dostupným nástrojem pro každou firmu, která má svá data v pořádku [1]. 

Jaký je rozdíl mezi popisnou a prediktivní analytikou 

Práce s daty má několik úrovní. Popisná analytika říká, co se stalo, a zpracovává minulá data do přehledů a ukazatelů. Prediktivní analytika jde dál a z těchže dat odhaduje, co se stane [1]. 

Úroveň	Otázka	Příklad
Popisná	Co se stalo	Tržby a zmetkovitost minulý měsíc
Diagnostická	Proč se to stalo	Příčina nárůstu zmetků
Prediktivní	Co se stane	Odhad poptávky na příští čtvrtletí
Preskriptivní	Co s tím dělat	Doporučení, kolik objednat materiálu

Zdroj: Davenport, T., Harris, J. (2007). Competing on Analytics. HBR Press.

Většina firem začíná popisnou analytikou v reportech a teprve s rostoucí zralostí dat přechází k predikci. Bez kvalitních historických dat se totiž nedá spolehlivě předpovídat [1]. 

Jak prediktivní analýzy fungují 

Základem je strojové učení, tedy postupy, které samy najdou v datech vzory a podle nich počítají odhad pro nová data [1]. Model se nejdřív naučí na historických datech, kde je výsledek znám, a poté ho použije na nové případy. 

Postup má několik kroků. Firma nejdřív připraví a vyčistí data, pak na nich model natrénuje, ověří jeho přesnost na datech, která neviděl, a teprve potom ho nasadí. Kvalita předpovědi přitom stojí především na kvalitě a množství dat, ne na složitosti modelu [1]. 

Důležitý je i sklad dat, ze kterého modely čerpají. Historická data z firmy se obvykle ukládají do datového skladu uspořádaného tak, aby se z něj dalo snadno analyzovat [3]. Bez takto připravených dat zůstává predikce nespolehlivá. 

Kde se prediktivní analýzy ve výrobě využívají 

Ve výrobní firmě mají prediktivní analýzy několik typických využití. Spojuje je to, že z provozních dat odhadují budoucí stav a pomáhají předejít problému, ne ho jen řešit dodatečně [4]. 

Oblast	Co predikce odhaduje	Přínos
Poptávka	Budoucí objednávky a prodej	Lepší plán výroby a zásob
Údržba	Náchylnost stroje k poruše	Méně neplánovaných prostojů
Kvalita	Riziko vzniku zmetku	Nižší zmetkovitost
Zásoby	Spotřeba materiálu	Méně vázaného kapitálu

Zdroj: Schwab, K. (2016). The Fourth Industrial Revolution. World Economic Forum.

Nejznámějším příkladem je prediktivní údržba. Místo pevného plánu nebo oprav až po poruše sleduje data ze strojů a upozorní dřív, než stroj selže. To snižuje neplánované prostoje, které jsou ve výrobě obzvlášť drahé [4]. 

Jaká data prediktivní analýzy potřebují 

Predikce je jen tak dobrá jako data, ze kterých vychází. Potřebuje dostatek kvalitních historických dat a jejich propojení napříč firmou [1]. Hlavními zdroji jsou ERP a výrobní systém MES. 

Zdroj dat	Co poskytuje
ERP systém	Objednávky, zakázky, zásoby a finance
MES ve výrobě	Data ze strojů, časy operací a kvalita
Datový sklad	Uspořádaná historická data pre analýzu
Senzory strojů	Teploty, vibrace a další provozní veličiny

Zdroj: Kimball, R., Ross, M. (2013). The Data Warehouse Toolkit. Wiley.

ERP dodává obchodní a finanční pohled, MES zná reálný běh výroby. Teprve spojení obou rovin dává predikci dostatek souvislostí, od přijetí objednávky po stav konkrétního stroje [4]. Jak se data z výroby a ERP propojují, ukazuje optimalizace výrobních procesů s Heliosem. 

Jaký je rozdíl mezi prediktivní analýzou a běžným reportem 

Běžný report ukazuje, co se stalo. Prediktivní analýza z téhož základu odhaduje, co se stane. Report je tak pohledem do zpětného zrcátka, predikce pohledem skrz čelní sklo [1]. 

Oba nástroje se ale nevylučují. Report a popisná analytika dodávají kvalitní data, na kterých predikce staví. Firma proto obvykle nejdřív zvládne reporting nad daty z ERP a teprve potom přejde k predikci [3]. 

Hledisko	Běžný report	Prediktivní analýza
Pohled v čase	Co se stalo	Co se pravděpodobně stane
Výstup	Přesný popis minulosti	Odhad s mírou nejistoty
Vstup	Historická data	Historická data a vzory v nich
Použití	Kontrola a přehled	Plánování a prevence problémů

Zdroj: Davenport, T., Harris, J. (2007). Competing on Analytics. HBR Press.

Rozdíl je i v očekávání. Report je přesný popis minulosti, predikce je vždy odhad s nejistotou. Kdo to zamění, snadno spoléhá na předpověď víc, než si zaslouží [1]. 

Jaké jsou limity prediktivních analýz 

• Výsledek je odhad s nejistotou, ne jistá předpověď 
• Model je tak dobrý jako data, ze kterých se učil 
• Náhlá změna podmínek může předpověď znehodnotit 
• Bez pochopení souvislostí hrozí chybný výklad čísel 
• Příprava a čištění dat zaberou víc práce než samotný model 

Prediktivní analýzy proto nenahrazují úsudek, ale podporují ho. Nejlepší výsledky přináší spojení dat a zkušenosti lidí, kteří rozumí oboru i souvislostem za čísly [1]. 

Vyplatí se také předpovědi průběžně ověřovat. Pokud se model dlouhodobě trefuje, lze se na něj spolehnout více. Pokud se začne mýlit, je to signál, že se změnily podmínky a model je třeba znovu natrénovat na novějších datech. Práce s predikcí tak není jednorázová, ale průběžná, podobně jako u controllingu a rozboru odchylek [1]. 

Jak začít s prediktivními analýzami ve firmě 

• Začněte u jasné otázky, kterou chcete predikcí zodpovědět 
• Ověřte, zda máte dostatek kvalitních historických dat 
• Sjednoťte data z ERP a výroby do jednoho zdroje 
• Vyberte jednu oblast s měřitelným přínosem, například údržbu 
• Měřte přesnost predikce a postupně ji zlepšujte 

Vyplatí se začít v malém a na jasném cíli. Firmy, které z práce s daty těží nejvíce, postupují systematicky a opírají rozhodnutí o data napříč celou organizací [1]. 

Připravte data pro prediktivní analýzy 

Prediktivní analýzy stojí na kvalitních a propojených datech. Společnost NVSP dodává ERP Helios a výrobní systém MES Manta, které sjednotí obchodní, finanční i výrobní data do jednoho základu pro analýzu. Prohlédněte si nabídku produktů NVSP a proberte, jak data připravit tak, aby z nich šlo spolehlivě predikovat. 

Shrnutí 

Prediktivní analýzy z historických dat odhadují budoucí vývoj, na rozdíl od popisné analytiky, která popisuje minulost. Pracují se strojovým učením a jejich výsledek je vždy odhad s nejistotou. Ve výrobě se uplatní u odhadu poptávky, prediktivní údržby, kvality a zásob. Potřebují dostatek kvalitních dat z ERP a výrobního systému MES, uspořádaných v datovém skladu. Kvalita předpovědi stojí hlavně na datech, ne na složitosti modelu. Prediktivní analýzy nenahrazují úsudek, ale podporují rozhodování opřené o data. 

Časté otázky 

Co jsou prediktivní analýzy 

Metody, které z historických dat odhadují budoucí vývoj, například poptávku nebo poruchu stroje. Liší se od popisné analytiky, která popisuje jen minulost [1]. 

Jaká data prediktivní analýzy potřebují 

Dostatek kvalitních historických dat z firemních systémů, hlavně z ERP a výrobního systému MES, uspořádaných v datovém skladu [3]. 

Co je prediktivní údržba 

Využití prediktivní analýzy ve výrobě, kdy se z dat o stroji odhadne náchylnost k poruše a zasáhne se dřív, než stroj selže. Snižuje neplánované prostoje [4]. 

Použité zdroje a literatura 

Knihy a učebnice 

[1] Davenport, T., Harris, J. (2007). Competing on Analytics. The New Science of Winning. HBR Press. ISBN 978-1422103326. 

[3] Kimball, R., Ross, M. (2013). The Data Warehouse Toolkit. 3. vydání. Wiley. ISBN 978-1118530801. 

Reporty a publikace 

[4] Schwab, K. (2016). The Fourth Industrial Revolution. World Economic Forum. ISBN 978-1944835002.