随着大数据时代的到来,越来越多的公司开始注重大数据,数据分析是大数据中常用的,那数据分析的常用方法又有哪些呢?下面学掌门就和大家盘点一下数据分析的5个黄金法则。
规则1:我们相信计量
在学习能源管理专业时,遇到了各种数据问题;这里只是其中的一些示例:
• 在一台标有“ 30 hp”(45 kW)的压缩机面前,新的维护经理认为它是30 hp的设备。经过一番分析后,发现压缩机的马达早在10年前就被别的马达所取代,没有人愿意更新该铭牌,它也不存在其他记录。
•由一个VFD控制器控制的三个相同的5 hp风扇会汲取三种不同的电流。原来,其中两个风扇的内部螺旋桨叶片也会损坏。(更换掉有故障的叶片会使冷凝器风扇容量增加一倍,并减少了压缩机的能量负荷。)
•制冷设备压缩机将随机上线。(这是由于吸入压力设置不正确引起的。)
其实我们不能依据“我们始终保持这一运行时间表”,“压缩机、锅炉和照明设备会在周末关闭”或“电流永远不超过X安培”之类的说法来进行能源使用的分析,只有通过常规自动计量收集的,并且经过验证的准确性和一致性后,数据才能作为投资决策的可靠基础。
在谈话进行中,商业决策需要数据。
规则2:数据在分析之前没有任何意义
对于性能监控和分析来说电能计量是非常有价值的,但是,即使是通过校准后的仪表精确测量的数据,在进行分析之前没是有任何意义的。
每一家大型制造公司都会精心收集电,水和天然气的消耗数据,但他们也只能每个月用“每吨”的比率来计算。实际上,他们除了收集数据以外,并不会做任何的分析。
因此,当这些吨比在一个月之间的变化高达100%时,因为没有人做任何事情,也没人知道他们为什么要收集这些信息,也不清楚比率应该是多少,所以任何事情和结论都不会得出。。
规则3:分析是实际与预期的比较
即使以表格,图表或比率表示,计量数字的绝对值也没有任何意义。通过比较实际和预期,我们可以知道价值来自于分析;图形,报告和仪表板并不构成分析,它们只是以另一种方式呈现相同的原始数据。
能源数据是从正式模型或非正式经验中获得的,只有将计量数据与期望值进行比较时,才能从计量数据中获得商业价值。
期望将含义注入计量数据中,让我们来看一下有关示例:
“星期三中午的功率消耗为565 kW”这一说法没有任何实际意义。565 kW是好还是坏?这个值在星期三中午测量的事实又是否具有更深的含义?
但是,当我们在第一条语句中添加“当该工厂的峰值需求为1000 kW”时,可以得出该工厂的机械未满负荷运行的结论。如果我们换种说法,不是“星期三”,而是说“ 7月1日”,那么我们可以得出这是24/7/365的算法。
另一方面,通过添加“机器的总装机容量为450 kW”,我们可以合理地得出电表有故障的结论。如您所见,在计量数据与期望值进行比较之前,计量数据本身除了分析是没有任何意义的。根据对业务进行衡量的重要性,对价值的期望可能来自复杂的工程计算,基于数据的回归模型,或者仅来自快速估算。
规则4:注意持续偏离预期
没有模型是完美的,也没有数据是完美的。因此,测量值和预期值之间出现的随机偏差是正常的;但是,微小但持续的偏差会构成一种趋势,这预示着操作条件的变化,确定小变化是否构成趋势的最佳方法是使用CUSUM方法来计算实际值和期望值之间的累计差和。同样,不要流失小偏差,而要注意持续的趋势。由于其累积性质,CUSUM会随机波动,但会累积持续波动。如果没有因为随着时间的推移而持续的话,那么微小的偏差也不是什么严重的后果。
规则5:根据常识检查数学
数学模型和计算是棘手的。数学与常识、输入错误或错别字无关。其实,基于实测的节能量估算值,该估算值超过了建筑物的总能耗。
在得出任何最终结论之前,请检查在数学或工程计算时使用的算法。能量计量是能量性能分析的基础,但所有的辛苦都会因为数据准备或公式编码中的拼写错误而白费。
以上这些数据分析的常用方法及黄金法则,大家都记住了吗?好的数据分析法可以更好帮助我们分析数据,从而更好的帮助企业领导人做出正确的业务决策。
数据分析的常用方法,数据分析的5个黄金法则
最新推荐文章于 2024-01-05 19:16:43 发布