شرکت های صنعتی به طور فزاینده ای در بازارهایی که تحت تأثیر جهانی شدن و پیشرفت های سریع فناوری قرار دارند، رقابت می کنند. برای بقا و پیشرفت در این بازارها، این شرکت ها در تلاش هستند تا از حجم عظیمی از داده ها استفاده کنند.
با استفاده از تجهیزات، دستگاهها و سیستمهای به هم پیوسته، سازمانها میتوانند تعداد زیادی از دادههای بیدرنگ درباره عملیات خود جمعآوری کنند. دادههای تاریخی که اغلب برای چندین دهه جمعآوری شده و استفاده نشدهاند نیز میتوانند برای ارزش جدید استخراج شوند. حجم عظیمی از داده های بدون ساختار، مانند ویدئو، صدا، گزارش های کاری، دفترچه راهنما، اسناد سفارش کار کاغذی را می توان در تجزیه و تحلیل ادغام کرد.
واضح است که تجزیه و تحلیل ها به سرعت فراتر از ریشه های هوش تجاری خود تکامل می یابند. راه حل های جدید تجزیه و تحلیل پیش بینی در دسترس هستند، از جمله راه حل هایی که از یادگیری ماشین و سایر رویکردهای شناختی استفاده می کنند. بسیاری از شرکتها هنوز در تلاشند تا بفهمند چگونه میتوانند از این انواع پیشرفته تحلیلها به بهترین شکل استفاده کنند و منتظرند تا نتایجی را که این نوع راهحلها میتوانند ارائه دهند، ببینند.
با این حال، حتی در حالی که شرکتها با نحوه پیادهسازی و استفاده از راهحلهای پیشبینیکننده دست و پنجه نرم میکنند، لایه جدیدی از «پیاز» تحلیلی در حال جدا شدن است – تجزیه و تحلیل تجویزی. در حالی که تجزیه و تحلیل پیش بینی کننده احتمال وقوع چیزی را تعیین می کند، تجزیه و تحلیل تجویزی راهنمایی می کند که در پاسخ چه کاری باید انجام شود و اغلب می تواند نتیجه را خودکار کند.
شرکت ها مایلند که تجزیه و تحلیل تجویزی را در بالای روش های پیش بینی لایه بندی کنند. ایده این است که استفاده از دادهها را برای پیشبینی آنچه ممکن است رخ دهد به حداکثر برسانیم و سپس بر اساس آن پیشبینی برای ارائه نتیجه بهینه برای کسبوکار عمل کنیم. پیامدهای مفید استفاده از این رویکرد در تصمیم گیری می تواند نحوه انجام کسب و کار را تغییر دهد.
این گزارش به عدم قطعیت در مورد تجزیه و تحلیل تجویزی می پردازد و حالت های مختلف و نحوه کار آنها را روشن می کند. این گزارش استفاده در بازار از این حالتها را تشریح میکند و سطح پیچیدگی و پذیرش فعلی را روشن میکند. استراتژیهایی را ارائه میکند که به شما کمک میکند بفهمید چگونه در مورد تجزیه و تحلیل تجویزی در زمینه کسبوکارتان فکر کنید.
بازار فاقد وضوح است
ما در حال گفتگوهای زیادی با خریدارانی هستیم که به دنبال شفافیت در مورد نحوه تصمیم گیری خرید برای تجزیه و تحلیل پیشرفته، از جمله روش های پیش بینی و تجویزی هستند. بسیاری گیج و حتی مشکوک هستند و دلیل خوبی هم دارند. بازار فاقد وضوح است. دلایل عبارتند از:
- تجزیه و تحلیل پیشرفته در حال ظهور اغلب با بازار اطلاعات تجاری همراه است. بازاریابی این مناطق راه حل بسیار متفاوت اغلب قابل تشخیص نیست.
- سردرگمی در مورد تحلیلی مبتنی بر ابر و لبه. هنوز در مورد نقش ابر برای تجزیه و تحلیل ، فراتر از آن هزینه و مزایای پیچیدگی وجود ندارد. همچنین ، نقش ابر برای تجزیه و تحلیل Edge اغلب اشتباه درک می شود.
- تجزیه و تحلیل پیشرفته با سرعت بسیار سریع در حال تحول است. ارائه دهندگان راه حل جدید روزانه ظاهر می شوند. در همین زمان ، بازیکنان وارد شده در حال ایجاد سیستم عامل ، برنامه ها و ابزارهای IIOT و Analytics هستند. این بازیکنان وارد شده نیز در حال گیج کننده هستند ، همچنین سیستم عامل های صنعتی اینترنت اشیاء (IIOT) را راه اندازی می کنند ، که اغلب شامل تجزیه و تحلیل نیز می شوند.
تنظیم مجدد مقولات تحلیلی
گروه مشاوره ARC از سه دسته اصلی برای توصیف بازار هوش تجاری و تجزیه و تحلیل استفاده می کند. در این ساختار تعریف ، دو نوع فهمیده ، توصیفی و کشف ، در گروه تحلیلی عملکرد ترکیب می شوند ، که اغلب از آن به عنوان هوش تجاری یاد می شود.
تجزیه و تحلیل عملکرد شامل راه حل های توصیفی و کشف است. تجزیه و تحلیل توصیفی به داده های عملکرد گذشته نگاه می کند تا چه اتفاقی افتاده است. این تجسم از بیانیه واقعیت را فراهم می کند. چند سبک مشترک که برای ارائه اطلاعات از این طریق استفاده می شوند ، گزارش های استاتیک و داشبورد استاتیک هستند. این تجزیه و تحلیل ها راهی را برای کاربر فراهم نمی کند تا داده ها را پایین بیاورد.
Discovery Analytics همبستگی را معرفی می کند. با استفاده از همان معاینه عملکرد گذشته به عنوان تحلیلی توصیفی ، شروع به پرداختن به "چرا" چیزی که اتفاق می افتد. آنها همراه با تجزیه و تحلیل های توصیفی ، ستون های هوش تجاری را تشکیل می دهند.
تجزیه و تحلیل توصیفی و کشف اغلب در سیستم های عملیاتی تعبیه شده و از طریق داشبورد و سایر ابزارهای تجسم پیشرفته تحویل داده می شود. آنها اغلب برای شناسایی و ضبط بهترین شیوه ها برای حمایت از بهبود مداوم فرآیند استفاده می شوند.
نمونه خوبی از این ترکیب با تجزیه و تحلیل توصیفی آغاز می شود که خرابی مهر و موم مداوم در پمپ های تزریق آب را بر روی یک سکوی روغن مشخص می کند. با افزودن تجزیه و تحلیل Discovery ، تجارت ممکن است عملکرد را به سایر عوامل مانند تولید کننده تجهیزات ، خدمه نصب یا نگهداری دارایی ، وضعیت استفاده و غیره و غیره متصل کند.
تجزیه و تحلیل پیش بینی کننده ، نوعی تجزیه و تحلیل پیشرفته ، بر عملکرد آینده متمرکز است. این بهترین توصیف به عنوان القایی است ، زیرا به داده های جدید می پردازد تا احتمال وقوع چیزی را تعیین کند. تجزیه و تحلیل پیش بینی شده از داده های تاریخی و در زمان واقعی بهره می برد و بسیاری از راه حل ها نیز از اشکال ساختاری و بدون ساختار استفاده می کنند.
یادگیری ماشین اغلب برای تجزیه و تحلیل پیش بینی استفاده می شود. همانطور که مقادیر زیادی از داده ها را مصرف می کند ، یادگیری ماشین می تواند الگوهای تبعیض آمیز را شناسایی کند که احتمال یک رفتار رخ داده ، مانند عدم وجود دارایی را مشخص می کند. تکنیک های یادگیری ماشین می توانند با ترکیب رفتارهای جدید و مجموعه داده ها سازگار شوند.
پیش بینی یک نمونه مشترک از تجزیه و تحلیل پیش بینی کننده است. مورد دیگر استفاده از طیف گسترده ای از داده های تاریخی و در زمان واقعی ، ساختاری و بدون ساختار ، برای پیش بینی خرابی گیربکس در یک توربین بادی با انرژی تجدید پذیر است. مشروط بر اینکه خطر عدم موفقیت به موقع مشخص شود ، عملیات و نگهداری می توانند برای جلوگیری از خرابی دارایی اقدام کنند.
تجویز فرایند آغاز شده در تجزیه و تحلیل پیش بینی شده را گسترش می دهد (همچنین می تواند همین کار را برای تجزیه و تحلیل Discovery انجام دهد). این کار را با توزین گزینه هایی برای حل مسئله ، نشان دادن یک رویکرد ایده آل و درجات مختلف ، ادغام عمل به عنوان بخشی از تجزیه و تحلیل انجام می دهد. تفاوت اصلی راه حل های پیش بینی کننده این است که این تجزیه و تحلیل ها می توانند نتایج بالقوه را برای تعیین اقدامات ایده آل بدون نیاز به مداخله انسانی برای انجام این کار وزن کنند.
نمونه ای که معمولاً درک شده از تجزیه و تحلیل تجویز شده ، یک ماشین خودران است که به طور مداوم تصمیماتی را بهینه می کند ، مانند چرخش به راست ، چرخش به چپ ، کند شدن یا متوقف کردن. البته ، همانطور که در پروژه های آزمایشی با اتومبیل های خودران نشان داده شده است ، نتایج همیشه کامل نیستند.
یک مثال خوب صنعتی بهینه سازی مداوم گردش کار و کالاها در فرآیندهای تحویل یا نگهداری است. از آنجا که عدم قطعیت ها و محدودیت های جدید بر محیط تأثیر می گذارد ، مدل تحلیلی می تواند به طور مداوم تصمیمات صحیح را در طول گردش کار ایجاد کند. اقدامات بهینه تر که به آن فرآیندها هدایت می شوند - کار ، تحرک ، زنجیره تأمین ، خدمات به مشتری و غیره - تجزیه و تحلیل تجویز (و ارزشمندتر) می شود.
خطوط بین تجزیه و تحلیل پیش بینی کننده و تجویز
خطوط اغلب هنگام تشخیص پیش بینی از تجزیه و تحلیل تجویز ، تار می شوند. بیشتر اوقات ، هنگامی اتفاق می افتد که یک راه حل تجزیه و تحلیل به عنوان داشتن یک جزء حلقه بسته توصیف می شود. در بسیاری از موارد ، فرآیند حلقه بسته به عنوان تجزیه و تحلیل تجویز توصیف می شود. این لزوماً دقیق نیست.
تجزیه و تحلیل پیش بینی کننده می تواند شکاف بین بینش و عمل را کاهش دهد. در این موارد، راهحلها بینشی را ارائه میدهند که شکست باید برطرف شود و میتواند به افراد و ماشینها هشدار دهد تا اقدام کنند. در این مرحله، مداخله یا اتوماسیون انسانی برای تعیین و تعیین آنچه انجام می شود رخ می دهد: بازآموزی مدل های داده در ماشین ها، تغییر چرخه وظیفه دارایی، تعمیر و نگهداری، جایگزینی و غیره.
از سوی دیگر، تحلیلهای تجویزی به دلیل ماهیت خود حلقه بسته هستند، زیرا راهنمایی خاصی برای اعمال انسان ارائه میدهند یا یک نتیجه خاص را خودکار میکنند. مانند تجزیه و تحلیل های پیش بینی، آنها می توانند داده ها را دریافت کرده و الگوها را شناسایی کنند. با این حال، آنها گزینهها را نیز در نظر میگیرند، اقدام ایدهآل را برای انجام تعیین میکنند و میتوانند آن اقدام را استناد کنند. بنابراین، تجزیه و تحلیل تجویزی مانع بین بینش به دست آمده و اقدام انجام شده را برطرف می کند.
وقتی تجزیه و تحلیل پیشبینیکننده به اشتباه بهعنوان تجویزی شناسایی میشود، معمولاً به دلیل دو قابلیت رخ میدهد که به عنوان حل فعالانه یک مشکل مشخص میشود:
تجزیه و تحلیل تجویزی به یک پایگاه دانش و اتوماسیون نیاز دارد
تجزیه و تحلیل تجویزی بر انواع دیگر - توصیفی، کشفی و پیش بینی کننده - با افزودن پاسخ هایی در مورد آنچه باید انجام شود، ساخته می شود. تجزیه و تحلیل تجویزی با سایر اشکال تجزیه و تحلیل متفاوت است زیرا شامل یک پایگاه دانش و خودکارسازی پشتیبانی تصمیم می شود. پایگاه دانش تضمین می کند که راه حل صحیح شناسایی شده است. اتوماسیون به انجام آن کمک می کند.
در ترکیب، این مؤلفهها تضمین میکنند که تحلیلها از «بینش عملی» به «بینش به همراه اقدام آگاهانه» حرکت میکنند. در حال حاضر، تجزیه و تحلیل تجویزی زمانی موثرتر است که نتیجه مطلوب فرآیند تحلیل شده بسیار واضح باشد. به عنوان مثال، تحویل به موقع و دقیق یک بسته به یک آدرس از پیش تعریف شده یا استفاده از یک استراتژی نگهداری خاص است. با استفاده از داده های تاریخی، استفاده از تجزیه و تحلیل تجویزی بسیار ساده تر است.
نمونه ای از یک روش تجویزی را که بر اساس تجزیه و تحلیل کشف ساخته شده است، در نظر بگیرید. برای یک برنامه مدیریت عملکرد دارایی، تجزیه و تحلیل می تواند داده هایی مانند قوانین عملکرد، رتبه بندی اطمینان مبتنی بر بازرسی، برنامه های تعمیر و نگهداری گارانتی، شرایط استفاده و سابقه کار را در بر بگیرد. بر اساس تجزیه و تحلیل این داده های تاریخی، یک ناهنجاری عملکرد جدا شده است. به عنوان مثال، میتواند شناسایی خرابی بالا در داراییهای یک برند و مدلهای خاص هنگام کار در یک چرخه خاص تحت شرایط خاص باشد.
تجزیه و تحلیل می تواند تولید سفارش کاری را در یک سیستم مدیریت دارایی که مکان دارایی را مشخص می کند، خودکار کند. میتواند از یک پایگاه دانش اساسی استفاده کند که استراتژی تعمیر و نگهداری بهینه را بر اساس بهترین شیوهها و مهارتها و تجهیزات صنایع دستی مورد نیاز تعیین میکند. در این مورد، برنامه تعمیر و نگهداری برای همه داراییهایی که تحت آن شرایط کار میکنند، به گونهای تغییر میکند که مشخص است نرخ خرابی را کاهش میدهد.
فرآیند خودکار همچنین می تواند خطر و سطح اولویت کار را شناسایی کند. می تواند از برنامه ریزی، زمان بندی، اجرا و پایان کار پشتیبانی کند. نتیجه یک پیوستگی است. از بینش و اقدام تجویزی در حال شناسایی تا کار در حال تکمیل.
در محیط های صنعتی، استفاده از تجزیه و تحلیل تجویزی که بر اساس مدل های تجویزی ساخته شده است، هنوز در مرحله شکل گیری خود است. رویکردهای تجویزی باید بتوانند بدون اطمینان از آینده نگری، تعیین کنند که چه اقدامی انجام دهند. در این شرایط، با اتخاذ تصمیمات بر اساس احتمال اتفاقاتی که ممکن است رخ دهد، ریسک را می توان افزایش داد. این را با راهحلهای تجویزی مبتنی بر عملکرد تاریخی، جایی که اقدامات رخ داده و نتایج قابل تأیید هستند، مقایسه کنید. اگرچه طبیعتاً واکنشپذیر است، اما زمانی که فقط با دادههای تاریخی استفاده میشود، معمولاً شناسایی درمانهای تجویزی آسانتر است.
حالت های پیشرفته تجزیه و تحلیل تجویزی
لایه های تجزیه و تحلیل تجویزی را می توان بر اساس یک مدل پیش بینی ایجاد کرد. با شروع بلوک ساختمانی تحلیل پیش بینی کننده، حالت های رایج تجزیه و تحلیل تجویزی پیشرفته را می توان شناسایی کرد.
حالت 0: پیش بینی
بلوک ساختمانی برای راه حل های تجویزی، حالت تحلیل پیش بینی کننده است. همانطور که بحث شد، این حالت اغلب به عنوان دستوری مطرح می شود که می تواند یک هشدار یا اعلان را خودکار کند. با این حال، توسط یک پایگاه دانش پشتیبانی نمی شود و بنابراین تجویزی نیست.
یک مثال پیشبینی شکست برای توربینهای بادی در مقیاس شهری است. دادههای ساختاریافته و بدون ساختار دریافت میشوند: پلاک نام دارایی، زوایای تیغه، اطلاعات تاریخنگار، آبوهوای فعلی و تاریخی، تصاویر و ویدئو، سوابق تعمیر و نگهداری، یادداشتهای تکنسین، و غیره. تجزیه و تحلیل ناهنجاریها را شناسایی میکند. سپس یک هشدار به دستگاه یا سیستمی فرستاده می شود که در آن افراد می توانند آن را مشاهده کنند.
پس از شناسایی، هشدار از شخص می خواهد تا برنامه ریزی و برنامه ریزی بازرسی یا نگهداری را فراخوانی کند. به این ترتیب می توان مسائلی مانند خرابی گیربکس را از ماه ها قبل شناسایی کرد و با تعمیر و نگهداری یا تعویض آن را برطرف کرد.
حالت 1: تجویزی + توصیه
حالت اولیه تحلیلی تجویز تجویز به افراد توصیه می کند که برای جلوگیری یا کاهش خطر چه کاری باید انجام شود. این کار را با استفاده از یک پایگاه دانش که گزینه ها را پردازش کرده و یک اقدام اصلاحی مانند استراتژی های تعمیر و نگهداری بهینه را تعیین کرده است ، این کار را انجام می دهد. این تحویل عمل تجویز را به شخص یا افرادی که می توانند کار را اجرا کنند ، خودکار می کند.
مثال خوب استفاده از تجزیه و تحلیل برای پشتیبانی از مسیریابی برای کار در زمینه است. تجزیه و تحلیل به طور مداوم برای بهینه سازی مسیر در زمان واقعی به کار می رود. هر تعداد از عوامل خارجی استاتیک و پویا را می توان در نظر گرفت.
داده های شخص ثالث می توانند مانند ترافیک ، آب و هوا و ساخت و ساز در آن گنجانیده شوند. با استفاده از تجزیه و تحلیل مستقیم ، مسیرهای ایده آل توسط رانندگان به صورت واقعی پیشنهاد و عمل می شود. با این حال ، داده های بسیار بیشتری را می توان فراتر از ناوبری برای افزایش ارزش تجزیه و تحلیل درج کرد.
داده های خاص تجاری قابل استفاده هستند. مثالها می تواند شامل ارزش طول عمر مشتری باشد. پیچیدگی کار ؛مهارت های کاردستی موجود ؛تجهیزات؛مصرف سوخت و انتشار گازهای گلخانه ای ؛و حتی داده های بیشتر در مورد مشتری ، مانند حجم احساسات منفی رسانه های اجتماعی بیان می شود. تجزیه و تحلیل می تواند این عوامل را در زمان واقعی در نظر بگیرد. توزیع کنندگان به طور مداوم در مورد تکلیف بهینه و مدیریت خدمه میدانی توصیه می شوند. خدمه تلفن همراه در طول روز به طور مؤثرتر برنامه ریزی ، مسیریابی و اولویت بندی شده اند.
حالت 2: تجویز + اتوماسیون
از آنجا که تجهیزات "باهوش تر" شده اند ، به طور فزاینده ای قادر به تنظیم عملکرد و پیکربندی خود است و در صورت کاربرد ، خود درمانی خواهد بود. تجزیه و تحلیل تجویز می تواند از این تجهیزات هوشمند و متصل استفاده کند.
در این حالت تجویز ، راه حل ابتدا از تجزیه و تحلیل پیش بینی استفاده می کند. این تجزیه و تحلیل را با یک پایگاه دانش ترکیب می کند تا مشخص شود که عملکرد صحیح برای یک دستگاه یا قطعه تجهیزات چیست. سپس این توصیه را برای کنترل سیستم ها یا تجهیزات خود ارائه می دهد ، که سپس رفتار دستگاه را بر اساس نتیجه مورد نظر تنظیم می کند.
ماشین خود رانندگی نمونه ای شناخته شده است. دقیقاً مانند حالت 1 ، به طور مداوم داده ها را برای تعیین اقدامات ایده آل در زمان واقعی تجزیه و تحلیل می کند. تفاوت بارز این است که در حال انجام خودکار اجرای آن مشاوره است. ماشین سرعت یا کند می شود ، به راست یا چپ می چرخد ، ترمزها و غیره.
حالت 3: تجویز + بهینه سازی
حالت سوم یکپارچه ترین و گسترده ترین رویکرد را برای حل مسئله ارائه می دهد. به دلیل این یکپارچگی، به پیچیده ترین مدیریت فرآیندها و داده ها در منابع انسانی، سیستم ها، دستگاه ها، دارایی ها و در صورت لزوم، مشتریان نیاز دارد.
در این حالت، اقدام تجویزی بهینه میشود، زیرا راهحل، اقدام اصلاحی را در زمان مناسب به مکان، تجهیزات، دستگاه، سیستم یا شخصی مناسب برای انجام آن ارائه میدهد. در پیشرفته ترین کاربردها، این حالت ممکن است فراتر از فرآیند تحلیل شده گسترش یابد و شامل اجزای خارجی مانند زنجیره تامین و تجربه مشتری باشد.
موارد استفاده از این حالت در حال حاضر در تنظیمات صنعتی غیر معمول است، اما آنها در صنایع رو به مصرف کننده استفاده می شوند. مشتری تلویزیون کابلی را در حال تعامل با نماینده مرکز تماس برای کاهش یا لغو خدمات در نظر بگیرید. پس از تکمیل تماس، نماینده اطلاعات را در یک سیستم مراقبت از مشتری وارد می کند و سپس داده ها را به یک راه حل تحلیلی ارسال می کند.
تجزیه و تحلیل میتواند حجم عظیمی از اطلاعات تاریخی و بیدرنگ را ادغام کند: گروه، احساسات رسانههای اجتماعی، اولویتهای ارتباطی مشتری، سابقه کاری، خطای صورتحساب، تبلیغات فعلی، و غیره. با استفاده از این دادهها، تجزیه و تحلیل بهترین اقدام بعدی را برای شرکت برایاین مشتریو اگر برای انجام این کار ساخته شده باشد، می تواند تصمیم گیری خود را با ورود داده های جدید تطبیق دهد.
اقدام تجویزی را میتوان برای پیگیری در یک تاریخ و زمان خاص با استفاده از یک پیشنهاد مناسب به یک نماینده فرستاد. می تواند تحویل همان پیشنهاد یا پیشنهاد متفاوت را به تلفن همراه مشتری خودکار کند. حتی میتواند هر دو را در زمانهای مختلف انجام دهد اگر این بالاترین مسیر احتمالی برای دستیابی به نتیجه مطلوب باشد.
تجزیه و تحلیل تجویزی فرآیند فشرده است
برای مصارف صنعتی، در حال حاضر ارائه تجزیه و تحلیل تجویزی پیشرفته فراتر از موارد استفاده کاملاً تعریف شده دشوار است. این بیشتر به فرآیندهای تجاری کاربر نهایی مربوط می شود تا محدودیت های ذاتی خود راه حل ها.
پیادهسازی راهحلهای تجویزی که بر اساس مدلهای پیشبینیکننده ساخته شدهاند، نیازمند تعهد سطح بالا توسط کاربران نهایی و مدیریت تغییر شدید است. دو دلیل اصلی وجود دارد:
این امر به سازمانها نیاز دارد تا با فرآیندها فعال باشند ، که به طور معمول نیاز به تغییر جهت گیری اصلی فرهنگی دارند. این بدان معناست که سازمانها اغلب باید فرآیندهای موجود را که برای کار واکنشی ایجاد شده اند ، طراحی مجدد کنند و یا از آنها به روش های مختلف پشتیبانی کنند. سیستم ها ، تجهیزات و دستگاه ها باید بتوانند از این جهت گیری مجدد پشتیبانی کنند.
تجزیه و تحلیل های بیشتر بینش گذشته را به عمل منتقل می کنند ، سازمان های بیشتری برای ادغام و هماهنگی فرآیندها و داده ها در سیستم ها ، افراد و تجهیزات نیاز دارند. در یک مقطع ، طراحی مجدد رویکردهای سنتی کافی نخواهد بود. در عوض ، کل گردش کار نیاز به ایجاد ، پیاده سازی ، تصویب و پشتیبانی خواهد داشت.
این جهت گیری مجدد پیچیده و فرآیند فشرده است. شرکت های درگیر در آن باید با اقدامات مبتنی بر احتمالات راحت باشند ، نه دیدگاه های تاریخی ، قابل اثبات یا احساس روده بر اساس تجربه.
توصیه ها
ادغام تجزیه و تحلیل تجویز در یک تجارت چالش برانگیز است. این امر به یک سطح تعهد به تغییر نیاز دارد که اغلب در تنظیمات صنعتی که فرآیندها به سختی تعبیه شده اند ، یافت نمی شود. علاوه بر این ، راه حل هایی که شامل تجزیه و تحلیل تجویز می شود ، هنوز در مراحل ابتدایی توسعه در بازارهای صنعتی هستند. با این حال ، رویکردهای تجویز نتیجه باید هدف شما باشد زیرا قابلیت های تحلیلی خود را رشد می دهید. این مزایا به طور بالقوه تحول گرا است.
بر اساس تحقیق و تجزیه و تحلیل ARC ، موارد زیر را برای سازمان های صنعتی توصیه می کنیم:
- یک مورد استفاده را که در آن راه حل تجویز مشهود است و فرآیندها و داده ها به خوبی درک شده اند ، خلبان کنید. ساده نگه داشتن آن شانس شما را برای موفقیت به حداکثر می رساند و ضمن به حداقل رساندن اضطراب سازمانی مرتبط با مدیریت تغییر.
- به شریک ارائه دهنده راه حل خود اعتماد کنید. ارائه دهندگان راه حل شروع به ادغام دانش صنعت خود در راه حل های تحلیلی خود ، به ویژه برای مدیریت دارایی می کنند. این تخصص را در مورد چگونگی ادغام پایگاههای دانش در فرآیندهای تحلیلی محور اهرم کنید.
- پتانسیل تجزیه و تحلیل تجویز را با استفاده از واقعیت افزوده (AR) ، به ویژه در این زمینه در نظر بگیرید. این ممکن است به نظر برسد که "سوخت به آتش" پیچیدگی تحلیلی را اضافه می کند ، اما AR یک برنامه طبیعی برای اقدامات تجویز شده است. با ترکیب تجزیه و تحلیل ، کارشناسان موضوع از راه دور ، یک دستگاه AR تلفن همراه و کارگران میدانی ، اقدامات تجویز شده در نقطه تصمیم گیری امکان پذیر است. بهره وری ، ایمنی و مزایای هزینه به تنهایی ارزش تلاش لازم را دارد.
اگر می خواهید این گزارش را خریداری کنید یا اطلاعاتی در مورد نحوه مشتری شدن کسب کنید ، لطفا با ما تماس بگیرید