ברוך הבא, אורח
שם משתמש: סיסמא: זכור אותי

דיון: איתור סיבות לכשלים

איתור סיבות לכשלים 6 years 2 weeks ago #8241

  • Edith Ohri
  • Edith Ohri's Avatar
  • Offline
  • Moderator
  • הודעות: 353
  • קרמה: 0
אם לפעמים נדמה שכמות הכשלים היום גדולה יותר, זה כנראה נכון. קשה יותר להשיג שליטה בייצור היום, בגלל גודל המערכות המשולבות, השינויים, המורכבות שלהן, והאחריות שנמצאת לעיתים מחוץ לארגון. אמנם כשלים שפעם נחשבו קשים ניתנים היום לגילוי בלחיצת כפתור (לדוגמא, פגמים באספקה), אך במקומם באו חדשים ורבים.
כשל זה יותר מתקלה, זה בעיה שלא נפתרת במנגנונים הקימים, זה מעין חריג. לכן כדי לתקנו צריך לשנות או להוסיף משהו למערכת. מכאן הקושי בהגדרה ובטיפול בנושא.
איך אם כן, ניתן בכל זאת לאתר באופן ססטמטי כשלים ולמצוא להם פתרונות? התשובה לכך נמצאת בכריית נתונים, מהסוג שיודע לאתר דפוסי התנהגות סמויים בנתונים חופשיים (לא מפוקחים), כדוגמת GT data mining (גילוי נאות, זה פתרון שלי).
בניתוח כשלים יש מספר אתגרים:
ראשית כל השאלה, האם לפנינו כשל?
שנית, מה סיבת השורש של הכשל?
ושלישית, איך לחלץ מתוך סבך הנתונים רמזים לגבי הפתרון?

הטענה ב-GT היא, ששלושת האתגרים הם למעשה שלושה צדדים של תשובה אחת, איתור דפוסי ההתנהגות הטיפוסיים של הכשל. הדפוסים מובילים בדרך ההצלבה וההשוואה, לגילוי של מאפינים משותפים, שהם קצה החוט והרמזים לפתרון...
הכל לוגיקה. אם דרושים תנאים מסוימים ליצירתו של כשל, הרי שאפשר לומר, שסילוק אפילו של מקצת התנאים ישלול את אפשרות הכשל ובכך נפתר הענין.

בברכה
אדית
הנהלת האתר ביטלה גישת כתיבה ציבורית.
מנהלים: Edith Ohri
זמן יצירת העמוד: 0.194 שניות

הדף שלנו בפייסבוק

מעניין? שתפו דף זה באמצעות הטלפון הנייד

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