گردآورنده: مقداد بنی جمالی

علم تحلیل داده در حوزه ماشین آلات را می توان دانش درک و استنتاج داده‌های علمی حاصل از رصد ماشین آلات و ابزاری کارآمد در جهت پیشگیری از زمین‌گیر شدن ناوگان توصیف نمود. در یک پروژه عمرانی یا معدنی، هیچ پیشامدی مخرب‌تر از زمین‌گیرشدن غیرمنتظره ماشین آلات فعال نمی‌باشد. حتی با وجود جایگزینی دستگاه معیوب با دستگاه سالم، نمی‌توان از هزینه تحمیل شده به مجموعه به دلیل اختلال در روند کار و هزینه تعمیر ماشین‌های معیوب به راحتی گذشت. برای یک مدیر موفق در عرصه ماشین آلات ترابری، عمرانی و معدنی، توان دفع خطر از کار افتادگی کلی هریک از ماشین‌آلات تحت نظارت، یک معیار موفقیت محسوب می‌شود که نائل آمدن به این سطح از موفقیت فردی را نمی‌توان بدون کسب مهارت‌هایی در خصوص شناخت داده‌های علمی استخراج شده از نحوۀ عملکرد ماشین‌آلات، متصور شد.

حال این سؤال پیش می‌آید که در دنیای کنونی که در حوزه معدن و ترابری، رقابت تنگاتنگی مابین شرکت‌های تجاری در راستای کسب سود بیشتر از بازار ماشین‌آلات جاده‌ای و معدنی در جریان است، کدام شرکت می‌تواند گوی سبقت را از رقیبان برباید و با افزایش عمر مفید ناوگان خود، درآمد بیشتری از این بازار کسب نماید؟ برای یافتن پاسخ این پرسش، بایست روش‌هایی که این شرکت‌ها در رسیدن به این مهم در پیش می‌گیرند را مورد مقایسه قرار دهیم. از جمله این روش‌ها می توان به تحلیل توصیفی (Descriptive analytics) اشاره کرد که با مطرح کردن سوالات تشریحی نظیر اینکه آیا توان کاری دستگاه دچار افت نشده؟ مصرف سوخت بالا نرفته؟ و یا از اجزای دستگاه صدای غیر عادی به گوش نمی‌رسد؟ تشخیص داده می‌شود که موعد سرویس دستگاه شده است یا خیر؟ دومین روش، سرویس و نگهداری پیشگیرانه (Preventive maintenance) است که بر اساس اطلاعات عددی نظیر ساعت کارکرد ماشین، میزان مسافت پیموده شده توسط آن و یا میزان مصرف سوخت، نوبت بعدی سرویس دستگاه را تعیین می‌نمایند. سومین روش که نگهداری و سرویس پیش بینانه (Predictive maintenance) نام دارد، بر انبوهی از اطلاعات ورودی نظیر علم داده، یادگیری ماشین، تاریخچه عملکردی و … استوار است و سرویس و نگهداری دستگاه را به اقتضای شرایط کاری مختلف، یرنامه ریزی می‌کند.

حال سؤال مهم این است که بنابر تجربه‌های حاصل، کدام شیوه توانسته خود را موفق تر از سایرین اثبات کند؟

علم داده‌ها (Data Science) همان برگ برنده ای است که مدیران موفق با بهره‌گیری از آن، توانسته‌اند خود را از سایرین متمایز گردانند. علم داده‌ها یکی از تخصص‌های میان‌رشته‌ای جدید امروز است که هدف از آن، تولید محصولات داده محور با استفاده اطلاعات و آگاهی‌های در دسترس می‌باشد. بر این اساس، با استخراج اطلاعات ارزشمند و تجزیه و تحلیل آنها، امکان طراحی الگوهای پیش‌یابی و روندهای الزامی، فراهم می‌شود. علم داده‌ها قادر نخواهد بود آینده را به‌طور قطع برای ما پیش‌بینی کند؛ بلکه می‌تواند چندین آینده محتمل را در صورت ادامه یا تغییر رویه جاری به ما بشناساند. یه عنوان مثال با بررسی متغیرهای انسانی و فیزیکی، زمان خواب احتمالی ماشین‌های مختلف فعال در یک کارگاه عمرانی را تخمبن می‌زند و راه‌کارهایی به منظور افزایش عمر مفید ماشین‌آلات ارائه می‌دهد یا مثلاً در مواردی که با در نظر گرقتن جمیع جوانب، تعمیرات پرهزینه برای یک ناوگان از ماشین‌آلات، توجیه اقتصادی ندارد، تصمیم‌گیران مربوطه را متقاعد به ممانعت از این اقدام می‌سازد.

مدیران موفق قادر خواهند بود با بکارگیری متخصصین داده (Data Scientist)، از انبوهی از اطلاعات گسسته و نامنظم استخراج شده پیرامون عملکرد شرکت متبوع خود، پاسخ سوالات مطرح شده در خصوص چگونگی عملکردی موفق‌تر در آینده را دریافت کنند و بر پایه آن نتایج، می‌توانند نقشه راه روشن‌تری را برای آینده ترسیم کنند.

متخصصین داده، افرادی تحصیل کرده در حداقل دو رشته تحصیلی از میان علوم کامپیوتر، ریاضیات و آمار می‌باشند که قابلیت استخراج، طبقه‌بندی، ادغام و تفسیر داده‌های کسب شده گوناگون را داشته باشند و بتوانند با کمک ساخت مدل‌های ریاضی برای هرکدام و انتخاب مدل برتر از بانک مدل‌های ساخته شده و تبدیل نتایج عددی در قالب آمار توصیفی، آنها را به ساده‌ترین شیوه بیان (مصورسازی، جدول و نمودار)، به مخاطبان خود که غالباً مدیران تجاری می‌باشند، عرضه کنند. فردی می‌تواند یک متخصص علوم داده موفق باشد که قادر باشد سوالات خوبی را مطرح کند، کنجکاوی سیری ناپذیری برای یافتن سوالات بی‌جواب مطرح شده داشته باشد، با قدرت تخیل بالای خود بتواند فرضیه‌هایی را به عنوان راه‌حل چالش‌های پیش رو ارائه دهد، با شناخت صحیح از خواسته‌های مدیران تجاری و متخصصان فنی، هماهنگی بهتری بین این گروه‌ها فراهم آورد، فن بیان قوی داشته باشد و بتواند نتایج محاسبات عددی را در قالبی داستان‌گونه برای مخاطب روایت کند.

به عنوان جمع‌بندی، علم داده را می‌توان یک حلق از زنجیره‌ای دانست که مبدأ آن، ایده کسب راندمان حداکثری از ناوگان ماشین آلات و حلقۀ آخر آن، تحقق این ایده در مقام عمل می‌باشد.