本文作者：趙昕

轉載請聯繫微信公眾號：七炅科技

公司官網：www.DeltaEntropy.com

合作郵箱：[email protected]

正文約3600 字，預計閱讀時間為10 分鐘

前言

不知從何時起，發現身邊那些曾經被譽為「金領」的精算師們開始逐漸以「數據科學家」自稱了，不得不承認，這在某種程度上預示著數據分析行業正在步入高速發展階段。

隨著技術的發展和進步，公司高層管理人員雖然不需要親自動手參與技術工作，但也開始發現自己需要針對技術方案做出決策了：

  • 第三方公司給出的方案是否真的有價值，是否值得投入，值得投入多少?
  • 當自己公司的競爭對手對外宣布某個數據領域的合作意向達成時，高層決策者需要能夠判斷：這個變化是否會給自身公司帶來不利影響，是否值得關注並做出反擊?
  • 當數據科學家們在項目過程和結果分享中，使用了兩個「常用的善意謊言」時，高層決策者能否準確定位判斷其真偽？

筆者並非科班出身的數據科學家，但在從事保險金融行業數據分析工作的過程中，有幸和多位真正的數據科學家共同工作學習。

在此，以「偽數據科學家」的身份將個人的閱讀和學習心得以及應用案例進行匯總，討論從數據角度思考業務問題以及從數據中提煉重要信息的操作原則，期以此和業內人士展開探討、共同進步。

本文的內容並非系統學習的材料，而是從金融行業從業人士的角度，在閱讀和學習中收集整理的讀書筆記。本筆記中的所有亮點皆為研讀並整合數據分析領域的眾多大家著作而來，而其中的很多疑問和困惑以及眾多不足之處實為筆者的經驗和知識所限，還懇請行業同仁分享看法並予以批評指正。

基本背景

新聞聯播中前所未有的16分鐘的物聯網專題報道，給物聯網行業注入了新的活力,物聯網技術相關的話題迅速變成網紅，偽數據科學家也迫不及待對之前工作中完成的物聯網和工程機械領域中的數據分析項目進行了整理和歸納，將相關理論和研究成果和大家分享。

物聯網是在互聯網基礎上延伸出的物品間的信息交換網路，可以實現對物品的智能化識別、跟蹤定位、及監控管理等技術應用。

在2008年，全球的可連接設備已經超過了人口數量，預計到2025年，設備總數將會超過500億台。現階段，感測設備、互聯網基礎、計算能力等關鍵要素都已經成熟，整個物聯網行業的高速發展階段已經展開。

在金融保險領域，很多關注點仍停留在通過這些設備追蹤用戶行為，並按照用量進行產品推薦和復購等方面。然而物聯網大數據技術的一個更直接應用是通過使用機器學習預測模型技術，幫助重型機械設備和工業機器人完成從「預防性維修」到「預測性維修」的順利過渡，從而大幅度降低維修成本，提高設備運作時間和生產效率。

預測性維修和預防性維修

預防性維修和預測性維修是什麼呢？

用一個例子來說明：本人三個月前買了一輛二手經濟型汽車。但因為在一線城市居住，平時大多在騎自行車、走路、地鐵三個選項之後才會選擇自駕。所以在擁有汽車的三個月後，只駕駛了大約400公里。不過，該車的使用手冊說，保養要在三個月或三千公里更換一次機油。既然已經三個月了，那麼就按照這個規定把車開到4S店換機油，並深信這樣可以讓車子保持良好狀態。這就是「預防性維修」。

於此同時，筆者所在公司的董事長擁有一輛BMW豪華轎車，配備了基於運行狀態的服務指標設備，用於發動機機油和空氣濾清器等部件的狀態檢測。在他開車到了六個月，行駛7000公里時，他的愛車提醒他說，還有500公里就需要換機油了。這就是「預測性維修」。

在製造業，機械和能源行業，預防性維修已經很流行，並且可以與一線維修人員和勞動力分配等管理軟體結合使用。但現階段，預測性維修的價值越來越高，兩者的差別主要有：

在預測性維修領域，PF曲線經常被用於描述機械設備運行狀態，同時指導設備維修保養的優先順序和工作量分配：

#PF曲線

預測性維修可以盡量延長P-F之間的時間長度， 根據這個PF理論，較理想狀態下的工時分配大致應該是：

  • 預防性常規檢查：例如補充機油、潤滑、定量檢查等簡單修復和更換工作，應該是所有維修保養工作量的15%
  • 通過預防性常規檢查而發現的需要維修工作，大約15%
  • 預測性常規檢查：通過使用特定的工具來確定故障是否存在，例如：振動分析，紅外分析,電機電路分析，潤滑油分析等，占所有工作量的15%
  • 通過預測性常規檢查而發現的需要維修的工作，大約30%
  • 常規檢查無法發現，而是由於設備發生故障後才發生的被動維修，大約佔20%

也就是說，主動維修和常規檢查，應該是占所有工作量的80% 左右，而預測性維修帶來的效果，大約是預防性維修的兩倍。

如何逐步推薦預測性維修的理念

在預防性維修的實際應用和推進工作中，有兩種不同的理念：

  • 歐美西方流派大多採用西醫的「手術」理論：儘快大刀闊斧採用最新的紅外線成像、機油測試、震動分析等等技術和工具，通過對維修檢測流程進行全面改變，從而最大化實現預測性維修帶來的經濟效益。
  • 我國則常採用中醫的「調養」理論：盡量減少對現有流程的變動，逐步引入相關技術或工具。

在預防性維修技術的應用中，相關的本土化實施方式直接決定了能否逐漸在重型機械設備廠商和供應商中得到推廣。西方「手術」方法的理論基礎完備，但成本較高很可能會給決策者造成困擾，而且其實施過程中帶來的工作流程和相關人員和部門的工作習慣和重大改變，也不是信奉求穩妥文化的我國公司能快速接受的。

筆者參與過兩種和中醫的「慢調養」理論類似的落地方式，在我國的重型機械設備生產製造領域應用較為順利。

其一為「硬體未動，數據先行」的方式

這是一種不改變現有工作流程，先用已有信息提前驗證效果的方式。即整合過往收集到的設備相關的感測器和運行狀態數據，成立不屬於供應商、售後、產品等部門的相對獨立的數據分析和預測模型團隊（可以藉助外援），將所有設備過去的運行狀態和維修記錄進行結合分析。

因為這些感測器數據和維修記錄已經在過去的設備生產和設計維修等環節被收集和整理過，因此並不影響現有的流程，僅需要後台分析人員從數據分析和預測的角度切入，就可以驗證預測性維修可能帶來的效果。同時還可以通過「預留最新數據用於盲測」的方式驗證這一方式帶來的直接經濟利益和準確率。

這一方法的優勢為：

  • 對現有工作流程完全無影響
  • 可以預先對器械設備質量進行評估，為「試運行」提供便利
  • 對預測性維修的經濟效果可以進行較為準確的評估，內部協調創新更加容易
  • 對未來展開硬體介入和流程改變打好基礎

其二為「利用金融工具為傳統製造業賦能」的方式

這是一種利用金融保險等衍生工具為傳統製造業賦能的方式。即對設備的質量進行預測性評估和量化，設計出設備維修延保服務、二手設備交易保障等金融保險產品。通過整合金融保險行業所擅長的服務，為製造業重新賦能，獲得雙贏。

對於裝備製造業來說，這一方法不僅可以降低重大維修和關鍵零部件損壞對客戶帶來經濟損失；可以通過綁定服務大幅度提高原廠零配件的利用率；同時還可以通過保險產品的銷售，獲得銷售渠道收入和客戶互動的機會。

對於保險行業來說，這一方法可以提高物聯網技術在保險行業的應用，為保險公司帶來保費和利潤。對保險熟悉的讀者都知道，保險這一金融工具不是一個零和遊戲，早在1834年，巴柔思就在伯努利理論的影響下，證明了保險這一機制是可以同時提高保險人和被保險人的期望效用Expected Utility的，並且雙方都能認可並獲得利益的保單價格是可以確定的。

下圖是某類機械設備進行預測性分類後的結果（質量好壞從A到J共十類），金額數字是每一類設備在隨後的一年內的實際維修成本的結果。這種好壞設備差異20多倍的結果，是很多常規的保險產品定價（例如車險）望塵莫及的效果。所有設備的平均維修成本為4000元左右，而八成以上的設備的成本遠遠低於這個數字。這種類型的風險間差異是金融保險工具最為擅長的。

#為保護客戶信息，其中數據進行了比例縮放，僅保留其相對差異比例

總結

機械設備的單價高，維修成本和停工損失大。物聯網技術和智能預測技術已經完全成熟，階段性應用可以通過數據分析和金融保險衍生品的方式得到快速拓展。機械設備企業和保險行業可以在物聯網技術手段的催化下獲得共贏，並在各自領域獲得領先地位和競爭優勢。

關於作者

趙昕，DeltaEntropy Technology 七炅科技創始人。曾在四大擔任諮詢總監，並具有超過15年的數據分析經驗。具有財險註冊核保師CPCU，金融風險管理師FRM，北美財產精算師FCAS等職稱。

長期專註於數據分析解決方案，聚焦金融保險和汽車行業，將大數據和機器學習技術通過軟體和演算法服務工具向業務端和渠道前端延伸，利用大數據機器學習技術輕鬆解決產品設計、風險篩選和管理、理賠決策和精準營銷、人員管理等複雜問題。曾為螞蟻金服、三一重工、寶馬中國、中國人保、平安保險等多家領先公司提供技術指導和系統及業務實施解決方案。

聯繫郵箱：[email protected]


推薦閱讀：
相关文章