ການວິເຄາະຂໍ້ມູນຂັ້ນສູງອາດຈະເປັນປັດໄຈທີ່ຕັດສິນໃຈໃນການທັນສະໄໝອຸດສາຫະກຳບໍ?

ໃນຍຸກທີ່ກຳລັງເຕີບໂຕຂອງອິນເຕີເນັດຂອງສິ່ງທີ່ເຊື່ອມຕໍ່ກັບອຸດສາຫະກຳ (IIoT), ສະຕິປັນຍາດ້ານການຜະລິດກຳລັງພັດທະນາຈາກການສັງເກດເບື້ອງຕົ້ນໄປເຖິງການຄວບຄຸມຢ່າງເອງ. ສ່ວນທີ່ສຳຄັນທີ່ສຸດຂອງການພັດທະນານີ້ແມ່ນການນຳໃຊ້ທີ່ຊັ້ນສູງຂອງ ການວິເຄາະຂໍ້ມູນ ໃນຂະນະທີ່ເຄື່ອງມືທີ່ອະທິບາຍເທົ່ານັ້ນຈະບັນທຶກເຫດການໃນອະດີດ, ການແຂ່ງຂັນດ້ານອຸດສາຫະກຳໃນເຈັນຕໍ່ໄປກຳລັງເກີດຂື້ນຜ່ານວິທີການສອງຢ່າງທີ່ເບິ່ງໄປຂ້າງໜ້າ: ວິທີການທີ່ເຮັດนาย (predictive) ແລະ ວິທີການທີ່ແນະນຳ (prescriptive). ເມື່ອໂຮງງານທົ່ວໂລກຫັນໄປສູ່ລະບົບທີ່ສາມາດຊີ້ນຳຕົວເອງ (self-healing systems) ແລະ ລະບົບຫຼອດໄຫຼຂອງຫຼອດສາງ (frictionless supply chains), ຄວາມຕຶດຕົວທີ່ເປັນເຫດເປັນຜົນເກີດຂື້ນ: ວິທີການທັງສອງນີ້ແຕກຕ່າງກັນແນວໃດ, ແລະ ວິທີໃດທີ່ໃຫ້ແຜນທີ່ທີ່ດີທີ່ສຸດສຳລັບຄວາມເປັນເອກະສາດໃນການດຳເນີນງານ?

ໂຄງສ້າງດ້ານເຕັກນິກຂອງ ການວິເຄາະຂໍ້ມູນ ?

ເພື່ອເຂົ້າໃຈຄວາມສັບສົນຂອງອຸດສາຫະກຳ 4.0, ມັນເປັນສິ່ງຈຳເປັນທີ່ຈະຕ້ອງແຍກອອກເປັນສອງຊັ້ນ: ຊັ້ນທີ່ເຮັດนาย (predictive) ແລະ ຊັ້ນທີ່ແນະນຳ (prescriptive) ການວິເຄາະຂໍ້ມູນ .

ການວິເຄາະການຄາດຄະເນ ເຮັດໜ້າທີ່ເປັນເຄື່ອງມືຄາດເດົາທີ່ມີຄວາມຖືກຕ້ອງສູງ. ໂດຍການລວມເອົາຂໍ້ມູນອ້າງອີງຈາກປະຫວັດສາດເຂົ້າກັບຂໍ້ມູນທີ່ໄຫຼເຂົ້າມາໃນເວລາຈິງ, ມັນໃຊ້ໂຄງສ້າງການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ML) ທີ່ສັບສົນ ແລະ ແຖວການຖືກຕ້ອງເພື່ອຄາດເດົາສະຖານະການໃນອະນາຄົດ. ໃນແຖວການຜະລິດອັດຕະໂນມັດ, ສິ່ງນີ້ຈະປະກົດເປັນຄວາມສາມາດໃນການຄາດເດົາການເສື່ອມສະພາບຂອງອຸປະກອນ—ເຊັ່ນ: ການຈັບສັນຍານອຸນຫະພູມທີ່ບໍ່ເປັນປົກກະຕິໃນຂອງຂາເຮືອບັດ—ກ່ອນທີ່ຈະເກີດຄວາມລົ້ມເຫຼວຢ່າງຮຸນແຮງ. ມັນປ່ຽນຕົວເລກດິບໃຫ້ເປັນ "ຄວາມເຫັນລ່ວງໆ"

ໃນອີກດ້ານນຶ່ງ ການວິເຄາະທີ່ແນະນຳ ເປັນຂັ້ນຕອນທີ່ສູງທີ່ສຸດຂອງຊັ້ນສູງດິຈິຕອລ. ມັນເກີນກວ່າການຄາດເດົາເທົ່ານັ້ນ ໂດຍການສະເໜີຄຳແນະນຳທີ່ເປັນຮູບປະທຳ ແລະ ເປັນທີ່ດີທີ່ສຸດເພື່ອແກ້ໄຂບັນຫາດ້ານການດຳເນີນງານທີ່ສັບສົນຫຼາຍດ້ານ. ໂດຍການບູລະນາການການຂຽນໂປຣແກຣມທີ່ອີງໃສ່ຂໍ້ຈຳກັດ, ອັລກົຣິດີມທີ່ອີງໃສ່ເຫດຜົນ, ແລະ ປັນຍາປະດິດສ້າງ, ເຄື່ອງມືທີ່ແນະນຳຈະຈຳລອງຍຸດທະສາດທີ່ເປັນໄປໄດ້ຫຼາຍຮູບແບບ. ສາຂານີ້ຂອງ ການວິເຄາະຂໍ້ມູນ  ບໍ່ພຽງແຕ່ເຕືອນວ່າບັນຫາຈະເກີດຂຶ້ນເທົ່ານັ້ນ; ມັນຍັງກຳນົດລຳດັບຂັ້ນຕອນທີ່ຊັດເຈນທີ່ຕ້ອງປະຕິບັດເພື່ອຫຼີກເວີ່ງບັນຫາດັ່ງກ່າວ ແລະ ຮັບປະກັນຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດ.

ມັນເຮັດວຽກແນວໃດ: ການປ່ຽນຂໍ້ມູນເປັນການປະຕິບັດ

ເສັ້ນທາງຈາກເຄື່ອງຈັກທີ່ຕິດຕັ້ງເซັນເຊີ ໃນໂຮງງານ ໄປສູ່ການμຕັດສິນໃຈເຊິ່ງມີຄວາມສຳຄັນໃນລະດັບຜູ້ບໍລິຫານ ແມ່ນເປັນຂະບວນການຫຼາຍຊັ້ນທີ່ອີງໃສ່ ການວິເຄາະຂໍ້ມູນ ເສັ້ນທາງການຖ່າຍໂອນຂໍ້ມູນ.

• ການເກັບກ່າຂໍ້ມູນ: ວຟົງຈັກເລີ່ມຕົ້ນດ້ວຍການດຶງຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍເຂົ້າມາ. ໃນດ້ານອຸດສາຫະກຳ, ຂໍ້ມູນດັ່ງກ່າວປະກອບດ້ວຍຂໍ້ມູນທີ່ມີຮູບແບບຈາກເຄື່ອງຄວບຄຸມ PLC ແລະ ຂໍ້ມູນທີ່ບໍ່ມີຮູບແບບເຊັ່ນ: ບັນທຶກຂອງຊ່າງໄຟຟ້າ ຫຼື ຂໍ້ມູນຈາກເຊັນເຊີສຽງ.

• ການປະມວນຜົນດ້ວຍອັລກົຣິດີມ: ຂໍ້ມູນຈະເຂົ້າສູ່ຂັ້ນຕອນການສ້າງແບບ. ເຄື່ອງມືທີ່ໃຊ້ເພື່ອຄາດເດົາມັກຈະນຳໃຊ້ໂຄງສ້າງ ARIMA ເພື່ອການວິເຄາະແນວໂນ້ມໃນເວລາ ຫຼື ລະບົບເຄືອຂ່າຍ LSTM (Long Short-Term Memory) ເພື່ອວິເຄາະຄວາມສຳພັນທີ່ບໍ່ເປັນເສັ້ນຊື່ໃນຂໍ້ມູນທີ່ເปลີ່ນແປງຕາມເວລາ. ຄວາມຖືກຕ້ອງຂອງແບບຈຳລອງເຫຼົ່ານີ້ຂຶ້ນກັບຄວາມລະອຽດຂອງຂໍ້ມູນທີ່ໃສ່ເຂົ້າ.

• ການຈຳລອງແບບແຕ່ລະເວລາ: ນີ້ແມ່ນຈຸດທີ່ການໃຫ້ຄຳແນະນຳ ການວິເຄາະຂໍ້ມູນ ນຳເອົາມູນຄ່າທີ່ດີເລີດມາໃຊ້. ມັນໃຊ້ການຈຳລອງ Monte Carlo ແລະ ຕົວແກ້ໄຂບັນຫາການເພີ່ມປະສິດທິຜົນເພື່ອທົດສອບຄວາມເປັນໄປໄດ້ຫຼາຍພັນຮູບແບບຂອງ "ຖ້າ...ຈະເກີດຫຍັງຂຶ້ນ". ໂດຍການປຽບທຽບຕົວແປຕ່າງໆ ເຊັ່ນ: ການບໍລິໂພກພະລັງງານ ແລະ ກຳນົດເວລາສຳເລັດການຜະລິດ, ມັນຊີ້ບອກຈຸດ "ທີ່ດີທີ່ສຸດ" ໃນທາງຄະນິດສາດສຳລັບການດຳເນີນງານ.

• ວຟົງການເປີດ-ປິດຊ້ຳ: ເຖິງແມ່ນວ່າຜົນໄດ້ຮັບທີ່ເປັນທາງການທຳນອງຈະຢຸດຢູ່ທີ່ແຜງຄວບຄຸມ (dashboard), ລະບົບທີ່ໃຫ້ຄຳແນະນຳມັກຈະມີລັກສະນະເປັນວຟົງການປິດທີ່ມີການປ້ອນຂໍ້ມູນກັບຄືນ. ເມື່ອຄຳແນະນຳຂອງ AI ຖືກປະຕິບັດ, ຂໍ້ມູນການປະຕິບັດທີ່ໄດ້ຈະຖືກນຳເຂົ້າໄປໃນແບບຈຳລອງທັນທີ, ເຮັດໃຫ້ລະບົບສາມາດຮຽນຮູ້ ແລະ ປັບປຸງຄຳແນະນຳຂອງຕົນໃນແຕ່ລະວຟົງການ.

ການນຳໃຊ້ໃນທາງປະຕິບັດ: ວິທີແກ້ໄຂທີ່ເປັນຮູບປະທຳ ແລະ ການວິເຄາະດ້ານອຸດສາຫະກຳ

ການນຳໃຊ້ການວິເຄາະຂໍ້ມູນລະດັບສູງສ້າງຜົນປະໂຫຍດທີ່ວັດແທກໄດ້ທັງດ້ານການເງິນ ແລະ ການດຳເນີນງານ, ໂດຍເປັນພິເສດໃນດ້ານການຈັດສົ່ງ ແລະ ການຫຼຸດຜ່ອນຄວາມສ່ຽງດ້ານການເງິນ.

ມິຕິທີ່ເປັນທາງການ: ການບໍາຮັກສາເພື່ອປ້ອງກັນ
ໃນດ້ານການຜະລິດອັຈເຊີເຄີທີ່ສຸດ, ຜູ້ຈັດການສິ່ງອຳນວຍຄວາມສະດວກນຳໃຊ້ອັລກົຣິດີມທີ່ເຮັດนายຄວາມເປັນໄປໄດ້ເພື່ອປັບຄ່າສິນຄ້າປອງກັນ. ພື້ນຖານຂໍ້ມູນຈາກ McKinsey ບອກເຖິງວ່າການຈັດການສິນຄ້າທີ່ອີງໃສ່ຂໍ້ມູນດັ່ງກ່າວສາມາດຫຼຸດຜ່ອນເຫດການສິນຄ້າຫາຍໄດ້ປະມານ 20%. ນອກຈາກນີ້, ໃນການທົດສອບດ້ານການເງິນຂອງລູກຄ້າທີ່ເປັນອຸດສາຫະກຳ, ແຕ່ລະເວທີເຊັ່ນ: Upstart ໄດ້ເລີ່ມນຳໃຊ້ແບບຈຳລອງສິນເຊື່ອທີ່ເຮັດนายຄວາມເປັນໄປໄດ້ ເຊິ່ງລວມເອົາຕົວແປຫຼາຍພັນຕົວ. ມີການລາຍງານວ່າ ສັດສ່ວນການສູນເສຍຈາກການໃຫ້ກູ້ຢືມໄດ້ຫຼຸດລົງເຖິງ 75% ເມື່ອທຽບກັບວິທີການໃຫ້ຄະແນນທີ່ເກົ່າແກ່, ເຊິ່ງສະແດງໃຫ້ເຫັນເຖິງອຳນາດຂອງການທຳนายທີ່ຖືກຕ້ອງ.

ມິຕິທີ່ເປັນຄຳແນະນຳ: ການຈັດຕັ້ງທີ່ສຸດ
ການວິເຄາະຂໍ້ມູນທີ່ໃຫ້ຄຳແນະນຳ (Prescriptive Data Analytics) ແມ່ນເດັ່ນຊັດໃນສະພາບແວດລ້ອມທີ່ມີຄວາມສັບສົນສູງເຊັ່ນ: ການຈັດສົ່ງທົ່ວໂລກ. ຖ້າການຖືກຢຸດງານຂອງແຮງງານໃນທ້ອງຖິ່ນ ຫຼື ເຫດໄພທຳມະຊາດເກີດຂຶ້ນ ແລະ ຮີ້ນຮາຍເສັ້ນທາງການຈັດສົ່ງ, ລະບົບ Prescriptive Solver ສາມາດຄຳນວນຄືນທັງໝົດຂອງເຄືອຂ່າຍການຈັດສົ່ງຢ່າງອັດຕະໂນມັດ. ໂດຍການປະເມີນຄວາມສຳພັນກັນ (interdependencies) ເຊັ່ນ: ອັດຕາຄ່າທາງເຂົ້າທ່າເຮືອທີ່ປ່ຽນແປງໄປຕາມເວລາ ແລະ ຂໍ້ຈຳກັດດ້ານອາຍຸການເກັບຮັກສາ (shelf-life), ລະບົບຈະໃຫ້ຄຳແນະນຳທີ່ເປັນຮູບປະທຳທີ່ຊັດເຈນເພື່ອປັບເສັ້ນທາງການຈັດສົ່ງໃໝ່ ເຊິ່ງຈະຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍທັງໝົດ ແລະ ປ້ອງກັນບໍ່ໃຫ້ເກີດຈຸດຄັບຄືນ (bottlenecking), ໂດຍຫຼີກເວັ້ນຂໍ້ຈຳກັດຂອງການຈັດການວິກິດຕິການທີ່ເຮັດໂດຍມະນຸດ.

ຂໍ້ດີທີ່ເປັນເອກະລັກໃນຕະຫຼາດທົ່ວໂລກແມ່ນຫຍັງ?

ການປ່ຽນຈາກການທຳนาย (predictive) ໄປເປັນການໃຫ້ຄຳແນະນຳ (prescriptive) ໃຫ້ເກີດເຄື່ອງມືເຊີງຍຸດທະສາດຫຼາຍຢ່າງທີ່ກຳນົດເຖິງການນຳ້ເຫນືອຂອງອຸດສາຫະກຳ:

ການກຳຈັດຄວາມເປັນສ່ວນຕົວ (Neutralizing Subjectivity): ເຄື່ອງມືການທຳนายໃຫ້ຂໍ້ມູນແຕ່ຍັງອີງໃສ່ການຕີຄວາມເຂົ້າໃຈຂອງມະນຸດ ເຊິ່ງອາດຈະເກີດຄວາມເໝືອຍລ້າ ຫຼື ມີອິດທິພົນຈາກອຸປະສັກທາງຈິດໃຈ (cognitive bias). ການວິເຄາະຂໍ້ມູນທີ່ໃຫ້ຄຳແນະນຳ (Prescriptive Data Analytics) ໃຊ້ປັນຍາປະດິດສ້າງ (AI) ເພື່ອໃຫ້ຄຳແນະນຳທີ່ເປັນວັດຖຸ (objective) ແລະ ມີເຫດຜົນອີງໃສ່ຫຼັກຖານ (evidence-based), ເພື່ອໃຫ້ແນ່ໃຈວ່າທາງເລືອກທີ່ດີທີ່ສຸດຕາມຄະນິດສາດຈະຖືກຈັດຢູ່ໃນອັນດັບທຳອິດເสมີ.

ການເພີ່ມປະສິດທິຜົນຫຼອດຄຸນຄ່າຢ່າງເປັນບູລິມະສິດ: ການຈຳລອງທີ່ມີຄວາມແນ່ນອນມັກຈະເຮັດວຽກຢູ່ໃນຕົວເອງ (ເພີ່ມປະສິດທິຜົນເຄື່ອງສູບຫຼືເຄື່ອງຈັກເຄື່ອງດຽວ). ໃນທາງກົງກັນຂ້າມ, ກອບການທີ່ມີຄວາມຊັດເຈນຈະຈຳລອງລະບົບທັງໝົດຂອງອົງການ, ເພື່ອໃຫ້ແນ່ໃຈວ່າການເພີ່ມຄວາມໄວໃນການຜະລິດຈະບໍ່ນຳໄປສູ່ການເພີ່ມຂຶ້ນຢ່າງບໍ່ຍືນຍົງໃນຄ່າໃຊ້ຈ່າຍດ້ານການບໍາຮັກສາ.

ຄວາມໄວໃນການຕອບສະຫນອງຢ່າງສູງ: ໃນການຜະລິດທີ່ມີຄວາມໄວສູງ, ຊ່ອງຫວ່າງເວລາລະຫວ່າງການທຳนายກັບການດຳເນີນການອາດຈະມີຄ່າໃຊ້ຈ່າຍສູງ. ເຄື່ອງມືທີ່ມີຄວາມຊັດເຈນສະເໜີຄຳແນະນຳທີ່ເກືອບທັນທີ, ເພື່ອສະຫນັບສະຫນູນການປັບປຸງໃນເວລາຈິງ ເຊິ່ງຊ່ວຍຮັກສາເປົ້າໝາຍການຜະລິດໃຫ້ຢູ່ໃນທິດທາງທີ່ຖືກຕ້ອງ.

ການຫຼຸດຜ່ອນພາລະການຕັດສິນໃຈ: ໂດຍການສະເໜີ "ເສັ້ນທາງທີ່ດີທີ່ສຸດ" ໂດຍກົງ, ເຄື່ອງມືເຫຼົ່ານີ້ຊ່ວຍຫຼຸດຜ່ອນພາລະການຕັດສິນໃຈຂອງຜູ້ຄຸມການຜະລິດໃນເຂດ. ສິ່ງນີ້ເຮັດໃຫ້ບຸກຄະລາກອນມີຄວາມສາມາດສູງສາມາດຫັນເປັນການເຮັດວຽກທີ່ມີຄວາມສ້າງສັນໃນລະດັບສູງ ແລະ ການຂະຫຍາຍຂະໜາດໃນໄລຍະຍາວ ແທນທີ່ຈະເປັນການແກ້ໄຂບັນຫາເປັນການດ່ວນ.

ສະຫຼຸບ: ການປ່ຽນແປງແບບຢ່າງທີ່ເປັນການເຄື່ອນໄປສູ່ຄວາມເຊີ່ງຊັດເຈນ

ໃນການປະເມີນຜົນຂອງການວິເຄາະຂໍ້ມູນທີ່ເປັນທາງເລືອກ (predictive) ແລະ ການວິເຄາະຂໍ້ມູນທີ່ເປັນທາງແນະນຳ (prescriptive) ເປົ້າໝາຍບໍ່ໄດ້ຢູ່ທີ່ການເລືອກເອົາອັນໜຶ່ງໃນສອງອັນນີ້ ແຕ່ເປັນການພັດທະນາໄປຕາມລຳດັບ. ຄວາມເຂົ້າໃຈທີ່ເປັນທາງເລືອກໃຫ້ຂໍ້ມູນ "ເຄື່ອງກວດຈັບ" ທີ່ຈຳເປັນເພື່ອຊອກຫາຄວາມສ່ຽງທີ່ຈະເກີດຂຶ້ນໃນອະນາຄົດ ແຕ່ຄວາມເຂົ້າໃຈທີ່ເປັນທາງແນະນຳຈະໃຫ້ "ລະບົບຂັບເຄື່ອນອັດຕະໂນມັດ" ເພື່ອເດີນທາງຫຼີ້ນຫຼາງຈາກຄວາມສ່ຽງເຫຼົ່ານັ້ນ.

ສຳລັບບໍລິສັດອຸດສາຫະກຳທີ່ມີເປົ້າໝາຍທີ່ຈະເປັນຜູ້ນຳໃນຊ່ວງທ້າຍຂອງທົດສະວັດ 2020, ການນຳໃຊ້ວິທີການທີ່ມີສອງຊັ້ນນີ້ເປັນສິ່ງທີ່ຈຳເປັນເຊິ່ງຕ້ອງເຮັດຢ່າງເປັນຍຸດທະສາດ. ເມື່ອປະລິມານຂໍ້ມູນທີ່ຖືກສ້າງຂຶ້ນຈາກເຄື່ອງຈັກຍັງຄົງເພີ່ມຂຶ້ນຢ່າງເປັນເອກະສານ ຜູ້ທີ່ຈະຊະນະຈະເປັນຜູ້ທີ່ສາມາດບໍ່ພຽງແຕ່ເຫັນອະນາຄົດເທົ່ານັ້ນ ແຕ່ຍັງສາມາດກຳນົດທາງເລືອກທີ່ມີປະສິດທິພາບທີ່ສຸດໃນການດຳລົງຊີວິດໃນອະນາຄົດນັ້ນດ້ວຍຄະນິດສາດ. ການປ່ຽນຈາກການສັງເກດທີ່ເປັນທາງຕອບສະຫນອງ (reactive observation) ໄປສູ່ການເພີ່ມປະສິດທິພາບທີ່ເປັນທາງແນະນຳ (prescriptive optimization) ແມ່ນເປັນມາດຕະຖານໃໝ່ສຳລັບວິສາຫະກິດທີ່ເປັນອັດຕະໂນມັດ.

ແຫຼ່ງຂໍ້ມູນ:

https://www.qlik.com/us/predictive-analytics/predictive-vs-prescriptive-analytics

https://www.euautomation.com/sg/knowledge-hub/read/blogs/predictive-vs-prescriptive-analytics--how-do-they-differ

(ຖ້າມີການລະເມີດລິຂະສິດໃດໆ, ກະລຸນາຕິດຕໍ່ຂ້ອຍເພື່ອລຶບບົດຄວາມນີ້.)

ຄຳຖາມທີ່ຖືກຖາມບໍ່ຍາກ (FAQ)

1. ຄວາມແຕກຕ່າງຫຼັກລະຫວ່າງການວິເຄາະທີ່ເປັນທາງເລືອກ (predictive analytics) ແລະ ການວິເຄາະທີ່ເປັນທາງແນະນຳ (prescriptive analytics) ແມ່ນຫຍັງ?

ການວິເຄາະທີ່ເປັນທຳນຽມ (Predictive analytics) ປະມານຜົນໄດ້ຮັບໃນອະນາຄົດ ແລະ ຕອບຄຳຖາມວ່າ “ອັນໃດທີ່ອາດຈະເກີດຂຶ້ນ?” ສ່ວນການວິເຄາະທີ່ແນະນຳ (Prescriptive analytics) ແນະນຳການດຳເນີນງານທີ່ດີທີ່ສຸດ ແລະ ຕອບຄຳຖາມວ່າ “ພວກເຮົາຄວນຈະເຮັດຫຍັງ?”

2. ການວິເຄາະທີ່ແນະນຳ (Prescriptive analytics) ຫຼຸດຜ່ອນຄວາມເອີ້ງເຊີງຂອງມະນຸດໄດ້ແນວໃດ?

ການວິເຄາະທີ່ແນະນຳໃຊ້ປັນຍາປະດິດສ້າງ (AI) ແລະ ອັລກົຣິດີມການເພີ່ມປະສິດທິພາບ (optimization algorithms) ເພື່ອສ້າງຄຳແນະນຳທີ່ເປັນວັດຕະຖຸ ແລະ ຢູ່ໃນເຄື່ອງມືຂໍ້ມູນ, ເຊິ່ງຊ່ວຍຫຼຸດຜ່ອນການອີງໃສ່ຄວາມຮູ້ສຶກຂອງມະນຸດ ແລະ ການμຕັດສິນໃຈທີ່ອີງໃສ່ຄວາມເຫັນສ່ວນຕົວ.

3. ການວິເຄາະເຫຼົ່ານີ້ສາມາດປັບປຸງຄວາມຍືນຍົງຂອງຫຼາຍສາຍການສະໜອງໄດ້ຫຼືບໍ່?

ແມ່ນແລ້ວ. ການວິເຄາະທີ່ແນະນຳສາມາດປັບປຸງແຜນການດ້ານການຂົນສົ່ງຢ່າງໄວວາໃນເວລາທີ່ເກີດມີການຂັດຂວາງ ໂດຍການວິເຄາະປັດໄຈຕ່າງໆ ເຊັ່ນ: ສິນຄ້າໃນສະຕັອກ, เສັ້ນທາງການຂົນສົ່ງ, ແລະ ຂໍ້ຈຳກັດດ້ານການຈັດສົ່ງ.

4. ບົດບາດຂອງວົງຈອນປ້ອນຂໍ້ມູນກັບຄືນ (feedback loops) ໃນລະບົບການວິເຄາະທີ່ແນະນຳແມ່ນຫຍັງ?

ວົງຈອນປ້ອນຂໍ້ມູນກັບຄືນ (Feedback loops) ໃຫ້ລະບົບສາມາດຮຽນຮູ້ຢ່າງຕໍ່ເນື່ອງຈາກຜົນໄດ້ຮັບດ້ານການດຳເນີນງານ. ຂໍ້ມູນການປະຕິບັດໃໝ່ຈະຖືກປ້ອນກັບຄືນເຂົ້າໄປໃນແບບຈຳລອງເພື່ອປັບປຸງຄຳແນະນຳໃນອະນາຄົດ.

5. ການວິເຄາະທີ່ເປັນທຳນຽມ (Predictive analytics) ຍັງຄົງສຳຄັນຢູ່ຫຼືບໍ່?

ແນ່ນອນ. ການວິເຄາະທີ່ເປັນທຳນຽມ (Predictive analytics) ສາມາດກຳນົດຄວາມສ່ຽງ ແລະ ໂອກາດໃນອະນາຄົດ, ໃນຂະນະທີ່ການວິເຄາະທີ່ແນະນຳ (Prescriptive analytics) ຈະກຳນົດວິທີຕອບສະຫນອງທີ່ດີທີ່ສຸດ. ບໍລິສັດອຸດສາຫະກຳສ່ວນຫຼາຍນຳໃຊ້ທັງສອງວິທີຮ່ວມກັນເພື່ອໃຫ້ການμຕັດສິນໃຈດີຂຶ້ນ.