返回
Developing analytics-driven maintenance data mining processes: a design science approach
DOI:10.1108/ijqrm-06-2023-0191.png)
摘要
En 中文
目的数据挖掘已被维护服务提供商广泛应用于识别数据模式和辅助决策制定。然而,在将数据挖掘应用于分析驱动的维护时,维护服务提供商通常采用非结构化的“试错”方法。为应对此问题,我们遵循设计科学的方法,开发了一种全面的方法,用于诊断分析驱动维护服务现有数据挖掘过程模型中的问题。设计/方法论/方法本研究通过与英国西门子公司进行深入案例研究来收集数据,以应用一个两轮的构建与评估设计过程。基于文献,构建了初步模型。在第一轮中,通过案例公司对该模型进行评估。在第二轮中,根据案例公司的反馈对模型进行优化,然后从业务管理和信息技术两个角度重新评估,以确保所设计模型在实际商业环境中的适用性。研究结论首先,本研究识别出分析驱动维护现有数据挖掘过程模型中的三大主要不足。其次,本研究开发了“齿轮模型”,该模型包含一个以客户为导向的循环、一个项目规划循环和一个机器理解循环,旨在同时克服所有这些不足并提供改进方案。第三,本研究强调,分析驱动维护服务的数据挖掘过程需要不同职能部门之间的互动以及持续的数据收集支持。创新性与价值本研究将数据挖掘分析从单一业务功能扩展到与其他内部功能和外部客户的互动。它通过关注数据挖掘的管理层面,并将维护服务提供商与其业务客户相结合,为现有知识体系做出了贡献。
Keyword:
data mining
analytics-driven maintenance
design science
Gear-Wheel Model
cross-functional interaction
期刊
IF:
3
论文数:
13
被引数:
3.7K
机构
暂无机构信息
引用论文
Machine learning-based predictive maintenance: A cost-oriented model for implementation基于机器学习的预测性维护: 面向成本的实施模型
Data Science, Predictive Analytics, and Big Data in Supply Chain Management: Current State and Future Potential供应链管理中的数据科学,预测分析和大数据: 现状和未来潜力

