تجزیه و تحلیل پیش بینی در کسب و کار

تجزیه و تحلیل پیش بینی در کسب و کار

تقریباً در مورد هر نوع شبکه سازمانی می توان از بینش های تحلیلی پیش بینی شده بهره مند شد، مانند شبکه هایی که داده های مهم حیاتی را پردازش می‌کنند (مانند مراکز بهداشتی، مراکز بحران، مدیریت ترافیک و حمل و نقل هوایی) بیشترین بهره را از این فناوری می گیرند.

تاسیسات برق بویژه با اطمینان از قابلیت اطمینان شبکه نگران هستند، زیرا حتی یک قطع کوچک جزئی نیز می تواند به آسیب های انسانی و مالی قابل توجهی منجر شود. فرناز امین، مدیر تحلیل محصولات دیجیتال شبکه در GE Power می گوید: “ما به مدل های یادگیری ماشین برای پیش بینی قطع برق احتمالی در شبکه تکیه می کنیم که ممکن است متاثر از یک رویداد در حال وقوع آب و هوایی باشد. همچنین با شناسایی و تصحیح خطاها در مدل شبکه مشتری، به بهبود یکپارچگی داده ها کمک می کنیم.”

GE Power در بیش از ۱۸۰ کشور جهان فعالیت دارد و یک سوم برق جهان را تولید می کند، ۹۰٪ از تجهیزات انتقال نیرو را در سراسر جهان مجهز می کند و نرم افزاری را توسعه می دهد که بیش از ۴۰٪ از انرژی جهان را مدیریت می کند. با وجود این، شبکه های انتقال نیرو با پیچیدگی رشد می کنند که تا حد زیادی ناشی از ورود فن آوری های انرژی تجدیدپذیر است. مدیریت ناکارآمد یک سیستم انتقال می تواند منجر به خاموشی و خسارت های مهم مالی و اعتباری برای خدمات شهری شود. برای مقابله با این نگرانی، GE Power برای تسهیل اندازه گیری و پیش بینی تاب آوری تولید، از هوش مصنوعی کمک گرفته است تا شبکه پایدارتری را فعال کند.

این شرکت همچنین برای مقابله با مشکلات فلج کننده پایدار و احتمالی سرویس، از تجزیه و تحلیل ها استفاده می کند: خطاهای داده، که غالباً از ورود دستی اطلاعات در سطح ارائه دهنده خدمات حاصل می شوند. حتی خطاهای به ظاهر ساده می تواند تیم های واکنش اضطراری و قطع برق را مختل کند و منجر به تجربه های ارائه خدمات ضعیف به مشتریان و سطح رضایت کمتر آنها شود. GE Power با تهیه الگوریتم هایی که از سیستم اطلاعات جغرافیایی (GIS) و سایر اشکال داده های سیستم عملیاتی برای شناسایی و تصحیح خطاهای فراگیر استفاده می کند، این مسئله را برطرف می کند. با داشتن داده های با کیفیت بهتر، خدمات شهری می توانند کارایی بیشتری را با اعزام کارشناسان و کاهش زمان ترمیم قطع برق داشته باشند و از ارسال اعلامیه های نادرست قطع برق برای مشتریان جلوگیری کنند.

فرناز امین خاطرنشان می کند: “ابزارهای اقتصادی هر روز تعداد زیادی از داده های خود را از دارایی های خود تولید می کنند، اما به سخت افزار و نرم افزار تخصصی بسیار ویژه ای برای باز کردن این پتانسیل و هدایت بینش های عملی دارند”. او می گوید: “رویکردهای فعلی برای حل این مشکلات، مانند یکپارچگی داده های مدل شبکه، پیش بینی قطع برق، بهینه سازی نیروی کار و کار فشرده همگی توسط افراد انجام شده و غالباً نادرست است. یک رویکرد تحلیلی پیشرفته از داده های تاریخی یاد می گیرد تا بتواند پیش بینی هایی را انجام دهد که دید بهتری در دارایی های شبکه ایجاد کند و به سازمان ها کمک کند تا تصمیمات اقتصادی بهتری بگیرند.”