Управление большим потоком данных

Управление большим потоком данных

Управление большим потоком данных

  • 26.09.2019
  • #статьи

Странные наводнения, вызванные ливнями, могут привести к разрушительным последствиям, но какое отношение это имеет к большим данным? Как и в случае постоянных сбросов воды, генерируется много данных - и их нужно куда-то отправлять. В этой статье рассматривается, как эффективно направлять большие данные для использования в управлении операционными рисками.

Так же, как огромные объемы воды не будут эффективно управляться без надлежащей инфраструктуры, так же как и огромные объемы данных. По иронии судьбы, вы можете использовать большие данные для подготовки к наводнениям и другим экологическим или эксплуатационным рискам.

Операционные риски относятся к любым нарушениям нормальных процессов, которые могут привести к потере клиентов и доходов. В то время как вы не можете предвидеть каждую возможную возможность - например, сильный ливень - вы можете сосредоточиться на снижении уровня риска на вашем предприятии до приемлемого уровня.

Аварии, в их более широком смысле, являются редкими событиями, которые происходят, когда происходит ряд сбоев барьеров управления рисками. Однако расследования, проведенные после инцидента, часто показывают, что несколько несчастных случаев на самом деле произошло до того, как произошла авария. Хотя эти сбои, возможно, не были заметны человеческому глазу, они могли быть обнаружены путем тщательного сбора и анализа данных.

Итак, что же такое «большие данные»? Учитывая широкое использование модного слова в разных отраслях, неудивительно, что точное значение этого термина часто субъективно. Согласно IBM Institute for Business Value , все сводится к четырем значениям: объем, разнообразие, скорость и достоверность.

Объем

Большие данные, что неудивительно, большие. Как следует из названия, большие данные опираются на массивные наборы данных, на которые обычно ссылаются такие объемы, как петабайты и зетабайты. Однако эти большие наборы данных собрать не так сложно, как вы можете себе представить.

Новые технологии увеличивают размер наборов данных, которые генерирует каждое устройство, оборудование и процесс. Он растет в геометрической прогрессии и приносит новые вызовы. Например, фабрики перегружены данными. Каждая машина, процесс и система на заводском цехе будут генерировать данные во время работы завода. Тем не менее, эти средства обычно становятся богатыми данными, но бедны информацией.

Например, технологии позволяют руководителям завода получать данные о состоянии механического оборудования, например, двигателя. Тем не менее, отслеживание огромного количества данных о состоянии двигателя будет продолжаться до сих пор. Вам нужно использовать данные, чтобы они были полезны . Какое решение? Усовершенствуйте сбор данных, инвестируя в систему управления данными. Здесь вы получите представление о данных, которые вам интересны, и будете использовать их в соответствии с вашим планом управления рисками.

Скорость

 Скорость - это ускоряющая скорость, с которой генерируются данные, и время задержки между моментом, когда данные генерируются, и когда они доступны для принятия решений.

Более быстрый анализ приводит к более быстрым ответам. Однако сегодняшние данные создаются с такой скоростью, что они превосходят возможности многих существующих систем.

Рассмотрим в качестве примера мониторинг состояния двигателя - вы можете отслеживать 500 точек данных вибрации в секунду, чтобы проверить его производительность, но если ваша система анализа вибрации способна анализировать только 200 точек данных в секунду, у вас есть проблема. В конечном итоге вам нужна целая инфраструктура больших данных, способная быстро обрабатывать эти данные.

Разнообразие

По мере того, как все больше технологий начинают генерировать данные, эта информация становится все более разнообразной. От анализа вибрации и мониторинга состояния до данных из корпоративных систем, таких как тенденции рынка и управление жизненным циклом продукта (PLM), организации находят, что им необходимо интегрировать все более сложные типы данных из множества систем.

Это часто требует вертикальной интеграции нескольких различных систем. Используя эту более сложную модель интеграции, данные мониторинга состояния могут идентифицировать, когда промышленная деталь показывает признаки отказа, а затем автоматически перепроверять данные инвентаризации, чтобы увидеть, есть ли запасная деталь на складе. Если запасная часть недоступна, эта система может принять еще более разумные решения, автоматически выкупив ее с помощью системы планирования ресурсов предприятия (ERP). Однако это только один пример.

Руководители предприятий могут захотеть собрать все типы данных, даже те, которые им не нужны, и сохранить их в архивах для исторического анализа. Компании должны держать свои цели по снижению риска на переднем крае сбора данных, а не собирать данные ради данных.

Достоверность

Последний пункт относится к достоверности, надежности определенного типа данных. Ключевой проблемой здесь является то, что другие измерения больших данных - это объем, скорость и разнообразие - ставят под вопрос возможности многих существующих систем.

Рассмотрим пример замены детали. Сценарий звучит идеально, но как вы можете объединить большие данные мониторинга состояния устаревшего двигателя с данными доступности запасных частей, если он нуждается в замене, когда эти данные принадлежат третьей стороне?

Мы предлагаем установить отношения с устаревшим поставщиком запчастей. Для достижения истинной достоверности ваша инфраструктура данных должна быть способна принимать разумные решения, не касаясь стены, когда она требует действий за пределами заводских стен.

закрыть

Обратная связь

Если у Вас остались какие то вопросы, то мы в скором времени свяжемся с Вами.

Авторизация
Пожалуйста, авторизуйтесь:
Логин:
Пароль:

Забыли свой пароль?

Войти как пользователь
Вы можете войти на сайт, если вы зарегистрированы на одном из этих сервисов: