Synthesizing a predictive analytics methodology for quality management

Abstract

As advancements in sensor fusion and distributed computing among other technological advancements are ushering industry into a fourth revolution, similarly, advancements in predictive and prescriptive analytics are bringing about a fourth revolution in quality management, coined Quality 4.0. Especially when considering products with long lifecycles such as elevators in the case of thesis, predictive analytics enables quality management to act on quality issues even before they occur, saving resources and further expanding the products longevity in service.

Despite these benefits, organizations are struggling to take advantage of predictive analytics. One major issue is the lack of standardized ways of running predictive analytics projects, leading organizations to develop ad-hoc methodologies. For two centuries Cross-Industry Standard Processes for Data Mining (CRISP-DM) has been the most widely used methodology for predictive analytics tasks, with many opting to base their domain specific methodologies on CRISP-DM.

In this thesis a predictive analytics methodology is synthesized based on CRISP-DM that incorporates familiar tools and ways of working for quality management, such that simple predictive analytics projects can be run without deep understanding of data science or machine learning. For validation of the methodology, a proof-of-concept machine learning application was developed step-by-step for an elevator quality questionnaire.

The final model achieved a prediction accuracy of over 60% and a false-alarm rate of below 33%, which were defined as the success criteria for the application. Though the criteria were quite modest, the simple application and the methodology serve as a suitable starting point for running predictive analytics projects in quality management, that with more experience and resources can lead to more advanced analytics with deep learning and predictive maintenance.

Mittausteknologian, hajautetun laskennan ja muun teknologian kehittyessä teollisuudessa on koettu ns. neljänteen teolliseen vallankumous. Ennustavan ja ohjaavan analytiikan kehittyminen on puolestaan mahdollistanut vastaavan vallankumouksen laadunhallinnassa; siirrytään Laatu 4.0:an. Ennustavasta analytiikasta on erityisesti etua pitkäikäisten tuotteiden laadunvalvonnassa, missä kyetään ennusteilla ennakoimaan ongelmia laadussa ja toimimaan ennaltaehkäisevästi, jolloin tuotteen elinkaari pitenee entisestään ja säästetään merkittävästi resursseja.

Näistä merkittävistä eduista huolimatta yrityksillä on vaikeuksia hyödyntää ennustavaa analytiikkaa. Yksi suurimmista vaikeuksista on standardisoitujen menetelmien puute ennustavan analytiikan projektien toteuttamiseen, mistä seuraa, että yritykset toteuttavat ennustavan analytiikan projektit improvisoiden, jolloin projektit eivät usein täytä asetettuja odotuksia. Jo kahden vuosikymmenen ajan Cross-Industry Stan-dard Processes for Data Mining (CRISP-DM) on ollut käytetyin ennustavan analytiikan menetelmä monella alalla ja monet yritykset ovat tehneet omia muunnoksiaan menetelmästä sovittaakseen sen paremmin omaan käyttötarkoitukseensa.

Tässä diplomityössä luodaan CRISP-DM:iin perustuva ennustavan analytiikan menetelmä, johon sisältyy laadunvalvonnalle ominaisia työkaluja ja -tapoja, jotta menetelmää voidaan hyödyntää ennustavan analytiikan projektien toteuttamiseen laadunvalvonnassa ilman syvällistä ymmärrystä datatieteistä tai koneoppimisesta. Menetelmän validointiin kehitettiin prototyyppi koneoppimissovelluksesta seuraten menetelmään vaihe vaiheelta. Sovelluksessa käytettiin datana hissin asennuksessa käytettyä laatulomaketta.

Lopullinen koneoppimismalli saavutti yli 60 % tarkkuuden, mikä oli projektin aikana määritelty yhdeksi menestyskriteereistä. Vaikka määritellyt asetuskriteerit olivat vaatimattomat, kehitetty yksinkertainen koneoppimissovellus ja menetelmä toimivat sopivana perustana ennustavan analytiikan projektien toteuttamiseen. Resurssien ja osaamisen lisääntyessä tästä pohjasta voidaan kehittyä toteuttamaan jatkuvasti edistyneempiä ennustavan analytiikan projekteja, joissa voidaan hyödyntää teknologioita kuten syväoppimista ja ennakoivaa huoltoa.