ברוך הבא, אורח
שם משתמש: סיסמא: זכור אותי

דיון: Big Data Mining בכנס האיכות השנתי

Big Data Mining בכנס האיכות השנתי 5 years 3 months ago #8276

  • Edith Ohri
  • Edith Ohri's Avatar
  • Offline
  • Moderator
  • הודעות: 352
  • קרמה: 0
אני מתכבדת להזמין עמיתים לנושא שימושי נתונים בתאגידים, להרשם לכנס האיכות השנתי, אשר שם השנה דגש על IT ובמסגרת זו לראשונה מושב של חידושי ניהול איכות מבוססי נתונים - מושב 9.6 שכולל כריית נתונים ביג דטה ועוד שני נושאי איכות ניהול מבוססי נתונים - הקטנת סיכונים של תאגיד, וניהול פרויקטים מרכזי.
כינוס האיגוד הישראלי לאיכות ה-13 24-25 נוב' 2015, מתחיל מחר p1.pagewiz.net/The-Israeli-Quality-Conference/
המושב 9.6* "נושאי ניהול בין הכסאות של האיכות" יתקים מחרתיים יום ד' 25-11-2015 (למעונינים בהרשמה ליום אחד, זה אפשרי) ראה תכנית - www.isas.co.il/quality2015/Quality2015_Program.pdf.
* בשיתוף אגודת מהנדסי תו"נ בלשכת המהנדסים והאדריכלים.

להתראות
אדית
Home of GT data mining

בברכה
אדית
עריכה אחרונה: 5 years 3 months ago  ע''י Edith Ohri. סיבה: typo
הנהלת האתר ביטלה גישת כתיבה ציבורית.

Big Data Mining בכנס האיכות השנתי 5 years 3 months ago #8277

  • Edith Ohri
  • Edith Ohri's Avatar
  • Offline
  • Moderator
  • הודעות: 352
  • קרמה: 0
העליתי מצגת על שימוש בכריית נתונים לצורך גילוי גורמי איכות סמויים ושימוש בהם בשוטף -
www.slideshare.net/Edith_Ohri/2015-55413266

GT זה כלי אוניברסלי, משתמש בנתונים חופשיים כמושהם, ללא ניקוי והכנות מערכתיות, מגדיר דפוסי התנהגות ומיצר תבנות.
אדית
Home of GT data mining

בברכה
אדית
עריכה אחרונה: 5 years 2 months ago  ע''י Edith Ohri. סיבה: סגנון
הנהלת האתר ביטלה גישת כתיבה ציבורית.

Big Data Mining בכנס האיכות השנתי 5 years 2 months ago #8278

  • Edith Ohri
  • Edith Ohri's Avatar
  • Offline
  • Moderator
  • הודעות: 352
  • קרמה: 0
תקציר מצגת "איכות על ידי כריית ביג-דטה"

הניהול מתבסס תמיד על חיזוי, תכנון ומה שנקרא "הגדלת הוודאות בארגון". כאשר כלי החיזוי שלנו לא טובים, זה משפיע על לימוד לקחים באיכות ובניהול כולו. לכן חשוב, לפני הכל, להבין את השינוי הקיצוני שחל בסביבת העבודה שלנו, והפגיעה שלו בכלי החיזוי. בעבר היינו אוספים נתונים, היום הם זורמים בשטפון. בעבר ידענו להגדיר מה הפרטים הדרושים לקבלת החלטות, היום להיפך – אנחנו לוקחים ערימת נתונים (מה ערימה, הר!) ושואלים "איזה החלטות ניתן לקבל מהם?". הסדר ההפוך, שבו מביאים תחילה נתונים ורק אחר כך קובעים שימושים, מתנגש במודל הסטטיסטי שעליו מסתמכים כל מבחני האיכות והחזוי. אמנם אפשר לבחור מתוך שפע הנתונים רק מה שמתאים למבחן ההשערות המסורתי, אך זה מצמצם את הניתוח לחלק קטן מאד, זה שנמצא כבר מתחת לפנס.
בכנס היו מספר הרצאות על בעיות ניתוח נתונים, הקושי בחשיפת כשלים סמויים, השינוים התכופים בייצור, והמחסור בכלי חזוי. טכנולוגיות המידע מביאות היום נתונים בכמות וברמה טובה יותר מאי פעם, אך הדרישות עולות במהירות, ובמציאות זו נראה שאין ברירה, חיבים פתרון מסוג חדש שמתאים לנתונים unsupervised.
הפתרון שהוצג הוא GT data mining. המיוחד בו זה ה- Self Clustering -- הקבצה לדפוסי התנהגות טיפוסיים שמאפשרים לראות את התמונה עוד לפני שמכירים את הפרטים, ובכך היתרון הגדול.
בדוגמא התברר ההיקף והמגוון הגדול של מקורות הנתונים - מח' IT, שיווק, הנה"ח, איכות, מערכת השירות וה-CRM, מערכת ספקים, ועוד. הפתרונות למערכת המורכבת כבדים ויקרים. מה הסיכוי שלנו לפתור את הבעיה עם PC בלבד?
...
הפתרון של GT:
אבחון דפוסי התנהגות מציף דפוס קטן וחריג שבין מאפיניו נמצא שיעור גבוה תקלות, ספקים שמוגדרים כ"קטנים וחדשים", רשומות שחסר בהן מחיר, תלונות חוזרות, וראש צוות מסוים בשירות-לקוחות...
קצה החוט בהבנת התקלות הוא הגילוי המוזר, שהמערכת בכלל מאפשרת שירות ללקוחות ללא פרטי חיוב תשלום. בשיחה עם אנשי הארגון עולה שאמנם מתירים לעתים רישום ספקים שהתעריפים שלהם עוד לא הוגדרו סופית, וכי סביר שמצב זה יגרום לשרשרת תקלות במח' הנה"ח ושירות לקוחות.

שאלה: אם גורמי הבעיה כל כך סבירים, מדוע לא גילו אותם עד כה?!
- לתשובה יש מספר היבטים:
  • ראשית כל, הרשומות הלא-שלמות שחסר בהן מחיר, נזרקו ממדגם הבקרה בזמן ה"ניקוי", כך שבכל מקרה היה בלתי אפשרי להבחין בבעיה.
  • שנית, מאפיני התקלה נראים תקינים כל אחד בפני עצמו, (ספקים קטנים הם עפ"ר מצוינים, תקלות חוזרות קורות בכל השירות, חוסר מחיר הוא אירוע נדיר מאד, וכו'...) רק שילוב של מספר מאפינים גורם להתבטאות של תקלה.
  • שלישית, לאנשי המחשב יש נטייה להיתפס לגורם האנושי, אך כאן זה דווקא היה הצד החיובי - ראש הצוות ששמו נזכר, נחשב למומחה, ומעבירים לטיפולו את כל המקרים הקשים.

מסקנות אופרטיביות לטיפול בבעיה
1. מניעה: להגדיר עבור "ספקים קטנים וחדשים" מחירון ברירת מחדל למקרים של חוסר מחירים.
2. גילוי מוקדם: לעקוב בדפוס הנ"ל על סימנים ראשונים לתקלות (כגון עיכובים בחיוב).
3. טיפול מהיר: למנות מומחה-אחראי שאליו יועברו ישירות התקלות עד שהבעיה תיעלם.

תבנות ניהול נוספות שהתגלו...
1. הרחבת מעגל גילוי תקלות: ע"י כריית נתונים של מאגר תלונות.
2. איתור טעויות סמויות: לבדוק רשומות בדפוס "ספקים קטנים וחדשים" שיש להן 0 תלונות; ייתכן שהיעדר תלונות נובע טעויות לטובת הלקוח (על חשבון החברה).
3. בדיקת השערה שערכים גבוהים בגורמי השגויים שאותרו בדפוס "ספקים קטנים וחדשים", הם סימן לתקלה בכל סוגי הספקים.

כדאיות GT
השיפור של GT נותן ערך מוסף נטו - הפרויקט לא מצריך השקעות מערכתיות, משתמש בנתונים זמינים, ויישום מסקנות מתבצע בתוך מערכת קימת.


Edith Ohri, MSc Eng.
רע"נ איכות באגודת תו"נ שבלשכת המהנדסים והארכיטקטים, מפתחת פתרון GT data mining, עם יישומים בתחומים: ביומד, מחקר, פיננסים, איכות, ניהול, ועוד
This e-mail address is being protected from spambots. You need JavaScript enabled to view it.

בברכה
אדית
הנהלת האתר ביטלה גישת כתיבה ציבורית.
מנהלים: Edith Ohri
זמן יצירת העמוד: 0.347 שניות

הדף שלנו בפייסבוק

מעניין? שתפו דף זה באמצעות הטלפון הנייד

אירועים קרובים

מאמרים

מגמות של ביג דאטה בעולם הביטוח
CA Technologies
SSIS - Buffer Size Optimization
קטגוריה ראשית
בדיקות BI ו-DWH לעומת הבדיקות בתחומים אחרים
קטגוריה ראשית
איסוף דרישות לפרויקטי BI
קטגוריה ראשית
כח המידע במיקוד
קטגוריה ראשית
0

Microsoft

Oracle

IBM

Informatica

Sap

SAS

Qlikview

Cloudera

Machine Learning