ศาสตร์การวิเคราะห์ข้อมูล (Data Analytics) สามารถแปลงข้อมูลดิบเป็นข้อมูลเชิงลึกที่นำไปใช้ได้จริง Data Analytics ครอบคลุมเครื่องมือ เทคโนโลยี และกระบวนการต่างๆ เพื่อค้นหาเทรนด์ และ แก้ไขปัญหาโดยใช้ข้อมูล Data Analytics สามารถปรับสร้างแบบกระบวนการทางธุรกิจ ปรับปรุงการตัดสินใจ และส่งเสริมการเติบโตของธุรกิจ Data Analytics ช่วยให้บริษัทเข้าถึงมุมมองที่ไม่เคยเข้าถึงมาก่อน มีความเข้าใจกระบวนการและบริการของตนอย่างลึกซึ้งยิ่งขึ้น Data Analytics ให้ข้อมูลเชิงลึกโดยละเอียดเกี่ยวกับประสบการณ์ของลูกค้าและปัญหาของลูกค้า

อ้างอิงจาก Amazon Web Service (AWS) ศาสตร์ Big Data Analytics ประกอบด้วยห้าขั้นตอนเพื่อวิเคราะห์ชุดข้อมูลขนาดมหึมา ได้แก่ การรวบรวมข้อมูล การจัดเก็บข้อมูล การประมวลผลข้อมูล การล้างข้อมูล และการวิเคราะห์ข้อมูล สำหรับการวิเคราะห์ข้อมูลนั้นเป็นขั้นตอนที่ข้อมูลดิบถูกแปลงเป็นข้อมูลเชิงลึกที่นำไปใช้ได้จริงและมีสี่ประเภท การวิเคราะห์เชิงพรรณนา (Descriptive Analytics) คือการทำความเข้าใจสิ่งที่เกิดขึ้นหรือกำลังเกิดขึ้นในสภาพแวดล้อมของข้อมูล โดยการนำเสนอในรูปแบบสื่อการมองเห็น เช่น แผนภูมิวงกลม แผนภูมิแท่ง กราฟเส้น ตาราง หรือเรื่องราวที่สร้างขึ้น การวิเคราะห์เชิงวินิจฉัย (Diagnostic Analytics) เป็นกระบวนการวิเคราะห์ข้อมูลแบบเจาะลึกหรือแบบละเอียดเพื่อทำความเข้าใจว่าเหตุใดจึงเกิดเหตุการณ์บางอย่างขึ้น โดยการใช้เทคนิคต่าง ๆ เชน การเจาะลึก การค้นพบข้อมูล การทำเหมืองข้อมูล และการหาความสัมพันธ์ภายในชุดข้อมูล

การวิเคราะห์เชิงคาดการณ์  (Predictive Analytics) อาศัยข้อมูลในอดีตเพื่อคาดการณ์แนวโน้มในอนาคตได้อย่างแม่นยำ โดยอาศัย การเรียนรู้ของเครื่อง การพยากรณ์ การจับคู่รูปแบบ และเทคนิคการสร้างแบบจำลองเชิงคาดการณ์ ทั้งนี้คอมพิวเตอร์จะถูกเทรนให้ทำวิศวกรรมย้อนกลับไปหาสาเหตุของประเด็นที่ปรากฎ การวิเคราะห์เชิงกำหนด (Prescriptive Analytics) เป็นการวิเคราะห์ข้อมูลเชิงคาดการณ์ขั้นสูงขั้นไปอีก โดย Prescriptive Analytics จะพยากรณ์เหตุการณ์ที่มีแนวโน้มจะเกิดขึ้น พร้อมคำแนะนำการรับมือกับเหตุการณ์ดังกล่าวอย่างเหมาะสม Prescriptive Analytics สามารถวิเคราะห์ผลกระทบที่อาจเกิดขึ้นจากตัวเลือกต่าง ๆ พร้อมแนะนำแนวทางที่ดีที่สุด โดยอาศัยเทคนิค เช่น การวิเคราะห์กราฟ การจำลอง การประมวลผลเหตุการณ์ที่ซับซ้อน โครงข่ายประสาทเทียม และกลไกการแนะนำ

การบำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance) หรือ การวิเคราะห์การบำรุงรักษา (Maintenance Analytics) คือการประยุกต์ใช้งานการวิเคราะห์เชิงคาดการณ์ การบำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance) เป็นกลยุทธ์การบำรุงรักษาตามเงื่อนไขที่ถึงกำหนดการบำรุงรักษาจริงเท่านั้น ในขณะที่การบำรุงรักษาเชิงป้องกัน (Preventive Maintenance) เป็นแนวคิดการบำรุงรักษาตามกำหนดเวลาอย่างสม่ำเสมอโดยไม่คำนึงถึงสภาพของอุปกรณ์ จุดนี้เองเป็นบ่อเกิดของความสูญเสียทรัพยากรเป็นจำนวนมาก เนื่องจากจะทำให้ชิ้นส่วนที่ยังทำงานได้อยู่ในสภาพดีถูกเปลี่ยนหรือซ่อมแซมโดยไม่จำเป็น

ตรงกันข้ามกับการบำรุงรักษาเชิงป้องกัน การบำรุงรักษาเชิงโต้ตอบหรือเชิงแก้ไข (Reactive or Corrective Maintenance) คือการซ่อมแซมที่เกิดขึ้นเมื่อเกิดปัญหาเท่านั้น นี่อาจดูเหมือนเป็นวิธีแก้ปัญหาที่ชัดเจนที่สุด แต่จริง ๆ แล้วอาจมีค่าใช้จ่ายสูงและเกิดผลกระทบกระเทือนต่อการผลิตได้ ทั้งนี้เพราะเมื่อปัญหาที่ได้เกิดขึ้นแล้ว  ก็อาจสายเกินไปหลีกเลี่ยงไม่ได้ที่จะต้องหยุดการทำงานกระทันหัน (Unplanned Downtime) ในสายการผลิต การบำรุงรักษาเชิงคาดการณ์มีข้อดีของทั้งแนวคิดการบำรุงรักษาเอาไว้ด้วยกัน โดยไม่มีข้อเสียใด ๆ กล่าวคือการใช้ข้อมูลและการวิเคราะห์ช่วยให้เราสามารถดำเนินการบำรุงรักษาเมื่อจำเป็น หลีกเลี่ยงการสูญเสียที่เกี่ยวข้องกับการบำรุงรักษาเชิงป้องกันและการหยุดทำงานกระทันด้วยวิธีการบำรุงรักษาเชิงโต้ตอบ

จากรายงานของ Research Nester คาดว่าตลาดการบำรุงรักษาเชิงคาดการณ์ทั่วโลกจะสร้างรายได้ถึง 81,582.5 ล้านเหรียญสหรัฐภายในสิ้นปี 2031 โดยการเติบโตที่ CAGR ที่ 31.9% ในช่วงปี 2022 – 2023 นอกจากนี้ ตลาดยังสร้างรายได้ 5,261.4 ล้านเหรียญสหรัฐใน 2021 การเติบโตของตลาดเป็นผลมาจากความต้องการที่จะลด Downtime และลดค่าบำรุงรักษา การบำรุงรักษาแบบคาดการณ์ชี้บ่งช่วงเวลาที่ดีที่สุดเพื่อการบำรุงรักษาอุปกรณ์ ทำให้เกิดความคุ้มค่า ลดความสิ้นเปลืองทั้งเวลาและทรัพยากรในกรณีที่เครื่องจักรเสียหาย ทุกวันนี้ โรงงานขนาดใหญ่สูญเสียชั่วโมงการผลิตโดยเฉลี่ย 323 ชั่วโมงต่อปี ก่อให้เกดต้นทุนเฉลี่ยของการสูญเสียการขาย ค่าปรับ เวลาหยุดทำงานของพนักงาน และการรีสตาร์ทสายการผลิตอยู่ที่ 532,000 เหรียญสหรัฐต่อชั่วโมงหรือ 172 ล้านเหรียญสหรัฐต่อโรงงานต่อปี

คาดว่าตลาดการบำรุงรักษาเชิงคาดการณ์ในเอเชียแปซิฟิกเมื่อเทียบกับภูมิภาคอื่นแล้ว จะมีรายได้สูงสุดที่ 23,985.2 ล้านเหรียญสหรัฐ ภายในสิ้นปี 2031 ตลาดของภูมิภาคจะเติบโตที่ CAGR สูงสุดที่ 35.4% ตลอดระยะเวลาคาดการณ์ โดยตลาดเอเชียแปซิฟิกมีทำรายได้ไปแล้วที่ 1,183.8 ล้านเหรียญสหรัฐในปี 2021 ปัจจัยหลักส่งผลต่อการเติบโตของตลาดมาจากการแทรกซึมทางดิจิทัลเข้าสู่บริษัทห้างร้านองค์กร พบว่าประมาณ 70% ของธุรกิจองค์กรขนาดใหญ่และกลางในภูมิภาค APAC มีกลยุทธ์ Digital Transformation โดยไต้หวันเป็นผู้นำกลุ่ม ซึ่งแสดงถึงการเพิ่มขึ้นจากปี 2020 ซึ่งการสูญเสีย 57% คาดว่าจะช่วยกระตุ้นการเติบโตของตลาด

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Data analytics converts raw data into actionable insights. It includes various tools, technologies, and processes to find trends and solve problems using data. Data analytics can shape business processes, improve decision-making, and foster business growth. Data analytics helps companies gain more visibility and a deeper understanding of their processes and services. It gives them detailed insights into the customer experience and customer problems.

According to Amazon Web Service (AWS), big data analytics follows five steps to analyze large datasets: data collection, storage, processing, cleaning, and analysis. Data analysis is the step where raw data is converted to actionable insights, and there are four types of data analytics. Descriptive analytics is understanding what happened or is happening in the data environment. It is characterized by data visualization such as pie charts, bar charts, line graphs, tables, or generated narratives. Diagnostic analytics is a deep-dive or detailed data analytics process to understand why something happened. It is characterized by techniques such as drill-down, data discovery, data mining, and correlations.

Predictive analytics uses historical data to make accurate forecasts about future trends. It is characterized by machine learning, forecasting, pattern matching, and predictive modeling techniques. In each technique, computers are trained to reverse engineering causality connections in the data. Prescriptive analytics takes predictive data to the next level. It predicts what is likely to happen and suggests an optimum response to that outcome. It can analyze the potential implications of different choices and recommend the best action. It is characterized by graph analysis, simulation, complex event processing, neural networks, and recommendation engines.

Predictive maintenance or maintenance analytics is one of the predictive analytics cases. Predictive maintenance is a condition-based maintenance strategy only concerned with maintaining equipment that is actually due for maintenance, whereas preventive maintenance is a scheduled-based approach where equipment is maintained at regular intervals regardless of its condition. This creates a lot of waste, as parts that could have continued to function longer are needlessly replaced or repaired.

In contrast to preventive maintenance, reactive or corrective maintenance is when repairs are only done once a problem occurs. This may seem like the most obvious solution., but it can actually be quite costly and disruptive. Note that when a problem is detected, it may be too late to avoid unplanned downtime. Predictive maintenance has the benefits of both worlds without any downsides. Using data and analytics allows us to perform maintenance when needed, avoiding the waste associated with preventive maintenance and the unplanned downtime associated with reactive maintenance.

According to Research Nester, the global predictive maintenance market is estimated to garner a revenue of USD 81,582.5 million by the end of 2031 by growing at a CAGR of 31.9% over 2022 – 2031. Further, the market generated a revenue of USD 5,261.4 million in 2021. The market’s growth can be attributed to the growing need to reduce downtime and maintenance costs. Predictive maintenance predicts the best time for equipment maintenance, which also makes the maintenance procedure cost-effective, reducing the wastage of time and resources on the occasion of machine breakdown. Large factories lose 323 productivity hours annually on average. The average cost of lost sales, fines, downtime for employees, and restarting production lines is USD 532,000 per hour or USD 172 million per facility yearly.

The Asia Pacific predictive maintenance market, amongst all the other regions, is projected to hold the largest market revenue of USD 23,985.2 million by the end of 2031. The region’s market will grow at the highest CAGR of 35.4% over the forecast period. The market in Asia Pacific garnered a revenue of USD 1,183.8 million in 2021. The market’s growth can be attributed majorly to the rapid penetration of digitization in the company. Around 70% of major corporations and middle-market businesses in the APAC region have a digital transformation strategy in place, with Taiwan leading the pack.

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

データ分析は生データを実用的な洞察に変換する。データを使用してその傾向を見つけ出し問題を解決するための様々なツール、テクノロジー、プロセスを含む。データ分析によりビジネス プロセスを形成し、意思決定を改善し、ビジネスの成長を促進させ得る。データ分析は企業が自社のプロセスとサービスをより可視化し、より深く理解できるようにするのに役立つ。これにより顧客エクスペリエンスと顧客の問題についての詳細な洞察が得られる。

アマゾン ウェブ サービス (AWS) によればビッグ データ分析ではデータ収集、保存、処理、クリーニング、分析という 5 つのステップに従って大規模なデータセットを分析するとの事だ。データ分析は生データを実用的な洞察に変換するステップでありデータ分析には以下の 4 つのタイプが有る。記述分析とはデータ環境で何が起こったのかまたは現在起こっている事を理解する事だ。円グラフ、棒グラフ、折れ線グラフ、表、または生成されたナラティブなどのデータ視覚化がその特徴だ。診断分析とは何かが起こった理由を理解するための詳細なデータ分析プロセスである。ドリルダウン、データ発見、データマイニング、相関などの手法がその特徴だ。

予測分析では履歴データを使用して将来の傾向について正確な予測を行う。これは機械学習、予測、パターン マッチング、予測モデリング技術によって特徴付けられる。各手法ではコンピューターはデータ内の因果関係をリバース エンジニアリングするようにトレーニングされる。規範的分析では予測データを次のレベルに引き上げる。何が起こるかを予測しその結果に対する最適な対応を提案する。様々な選択の潜在的な影響を分析し最適なアクションを推奨する。グラフ分析、シミュレーション、複雑なイベント処理、ニューラル ネットワーク、推奨エンジンがその特徴だ。

予測メンテナンスまたはメンテナンス分析は予測分析ケースの 1 つである。予知保全は実際に保守時期が到来した機器の保守のみを対象とする状態ベースの保守戦略であるのに対し予防保守は機器の状態に関係なく定期的に保守を行う計画ベースのアプローチである。このアプローチにより実際には長く機能し続けることができた部品が不必要に交換または修理されるため多くの無駄が生じる。

予防保守とは対照的に事後保守または事態修正保守は問題が発生した場合にのみ修理を行う事だ。これは最も明白な解決策のように思えるかもしれないが実際には非常にコストが掛かり混乱が生じる可能性がある。問題が検出された時には計画外のダウンタイムを回避するには手遅れになる可能性があることに注意する必要がある。予知メンテナンスにはこれは両方のメリットありデメリットは無い。データと分析を使用する事で必要に応じてメンテナンスを実行できるようになり予防メンテナンスに伴う無駄や事後メンテナンスに伴う計画外のダウンタイムを回避できる。

Research Nester によれば世界の予知保全市場は2022 年から 2031 年にかけて 31.9% の CAGR で成長し2031 年末までに 815 億 8,250 万米ドルの収益を獲得すると推定されている。 2021年の市場成長はダウンタイムとメンテナンスコストを削減するニーズの高まりに起因すると考えられる。予知保全は機器のメンテナンスに最適な時期を予測しこれによりメンテナンス手順の費用対効果も高まり機械の故障時の時間とリソースの無駄が削減される。大きな規模の工場では年間平均 323 時間の生産性が失われている。売上の損失、罰金、従業員のダウンタイム、生産ラインの再起動にかかる平均コストは1 時間あたり532,000 米ドルまたは施設あたり年間 1 億 7,200 万米ドルだ。

アジア太平洋地域の予知保全市場は世界の他の地域の中でも特に2031年末までに239億8,520万米ドルという最大の市場収益を保持すると予測されている。この地域の市場は予測期間中に35.4%という最高のCAGRで成長すると予想されている。アジア太平洋地域の市場は2021 年に11 億 8,380 万米ドルの収益を上げた。この市場成長は主に企業内でのデジタル化の急速な浸透によるものと考えられる。アジア太平洋地域の大手企業と中堅企業の約 70% がデジタル変革戦略を導入しており台湾がその先頭を走っている。

アジア太平洋地域の予知保全市場は世界の他の地域の中でも特に2031年末までに239億8,520万米ドルという最大の市場収益を保持すると予測されている。この地域の市場は予測期間中に35.4%という最高のCAGRで成長すると予想されている。アジア太平洋地域の市場は2021 年に11 億 8,380 万米ドルの収益を上げた。この市場成長は主に企業内でのデジタル化の急速な浸透によるものと考えられる。アジア太平洋地域の大手企業と中堅企業の約 70% がデジタル変革戦略を導入しており台湾がその先頭を走っている。

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech