大數(shù)據(jù)分位數(shù)算法在實現(xiàn)煙草行業(yè)降本增效的有效性初探

李達++許仁杰++袁鵬+++李曉科++葛文++陳珍

摘要：本文緊扣行業(yè)當前的重點，以大數(shù)據(jù)分位數(shù)算法為切入點，分析行業(yè)制絲部門對應的過程物耗損耗情況，旨在建立一套標準，將物耗管控通過大數(shù)據(jù)的手段從結(jié)果導向轉(zhuǎn)換為目標引領、過程管控、結(jié)果導向三者相結(jié)合的物耗信息化管控閉環(huán)，進而系統(tǒng)實現(xiàn)“降本增效”的戰(zhàn)略目標。

關鍵詞：大數(shù)據(jù)；分位數(shù)預測；降本增效；物耗控制

中圖分類號：F279.23 文獻標識碼：A 文章編號：1007-9416（2017）03-0149-04

1 大數(shù)據(jù)分位數(shù)算法對于煙草行業(yè)降本增效的有效性分析

當前，從行業(yè)看，受宏觀經(jīng)濟曲折復蘇和煙草消費環(huán)境日益趨緊的影響，行業(yè)層面增長速度回落、工商庫存增加、結(jié)構空間變窄、需求拐點逼近“四大難題”進一步凸顯[1]，[2]，[3]；卷煙銷量下滑、生產(chǎn)成本上升、商業(yè)利潤透支“三個嚴峻形勢”進一步加劇。[4]從云南中煙看，傳統(tǒng)發(fā)展動能有所減弱，新的發(fā)展動能不強，品牌競爭力不突出，市場拓展更加艱難。從集團看，面臨著優(yōu)質(zhì)制造、快速響應、內(nèi)部挖潛、爭先進位的巨大壓力和挑戰(zhàn)。

本文通過將大數(shù)據(jù)分位數(shù)算法在煙草行業(yè)制絲運用的計算公式、技術實現(xiàn)思路、技術實施路徑、算法實現(xiàn)過程、實施成果等內(nèi)容進行系統(tǒng)的闡述，證明了大數(shù)據(jù)分位數(shù)算法對于煙草行業(yè)降本增效的有效性。

2 大數(shù)據(jù)分位數(shù)算法實現(xiàn)過程

2.1 大數(shù)據(jù)分位數(shù)算法95%置信區(qū)間計算公式

其中，Pm——第m百分位數(shù)；L——Pm所在組的組實下限；U——Pm所在組的組實上限；f——Pm所在組的次數(shù)；Fb——小于L的累積次數(shù)；Fa——大于U的累積次數(shù)。

根據(jù)分位數(shù)計算公式，可得95%置信區(qū)間的取值范圍，如圖1所示，95%置信區(qū)間表示如下內(nèi)容：（1）每批次物耗不在置信區(qū)間范圍內(nèi)的可能性僅為5%，為小概率事件，當出現(xiàn)時則表示物耗異常。（2）大數(shù)據(jù)分位數(shù)置信區(qū)間預測無需樣本數(shù)據(jù)滿足正態(tài)性，這與傳統(tǒng)數(shù)理統(tǒng)計對于樣本符合正態(tài)性的依賴相比，具有較高的實用性。特別是煙草行業(yè)工業(yè)現(xiàn)場數(shù)據(jù)均為非正態(tài)數(shù)據(jù)，大數(shù)據(jù)分位數(shù)置信區(qū)間預測有效解決了傳統(tǒng)數(shù)理統(tǒng)計對于工業(yè)現(xiàn)場數(shù)據(jù)存在回歸擬合度差的問題，能夠有效挖掘工業(yè)現(xiàn)場數(shù)據(jù)帶來的價值。[7]

2.2 大數(shù)據(jù)分位數(shù)算法技術實現(xiàn)思路

以大數(shù)據(jù)分位數(shù)算法為切入點，運用至煙草過程工序物耗分析，可得如圖2的概率密度圖。

在生產(chǎn)過程中，對收集的每一批次成本控制實時數(shù)據(jù)進行統(tǒng)計、即時化分析，計算出絲率（Z）。若Z1≤Z≤Z2，則表明成本控制處于正常范圍，無需特殊控制；若Z≤Z1，則表明成本控制出現(xiàn)異常，需要進行人工干預；若Z≥Z2，則表明成本控制效果較好，應檢查數(shù)據(jù)采集、記錄、統(tǒng)計等環(huán)節(jié)無誤后，分析導致成本下降的原因，總結(jié)經(jīng)驗應用于后續(xù)生產(chǎn)中。

2.3 大數(shù)據(jù)分位數(shù)算法技術路徑（圖3）

技術實施路徑描述如下：首先，計算各生產(chǎn)點投入物料重量和產(chǎn)出物料重量，判斷工序投入和產(chǎn)出的物料是否處于同一含水率標準情況下；若含水率一致，則進行工序投入產(chǎn)出比計算。若含水率不一致，則針對投入物料對應的含水率和產(chǎn)出物料對應的含水率分別進行統(tǒng)一標準的物料衡算（12%），衡算結(jié)束后再得出對應的工序投入產(chǎn)出比；其次，分品牌、分工序、分時段定出對應的大數(shù)據(jù)分位數(shù)預測區(qū)間；最后，將大數(shù)據(jù)分位數(shù)預測結(jié)果運用于日常物耗分析控制中，加載機器自學習機制，如果沒有超過機器自學習周期，則該標準一直有用，如果超過了機器自學習周期，就要重新進行投入產(chǎn)出比計算，得出新的分位數(shù)預測區(qū)間，再用于日常物耗分析控制中。

2.3 基于R語言實現(xiàn)的大數(shù)據(jù)物耗管控分位數(shù)預測算法實現(xiàn)過程

（1）繪制流量指標折線圖、求水分值均值、求累計量最大值R程序（圖4）。

（2）水分折算及結(jié)果導出R程序（圖5）。

（3）運用大數(shù)據(jù)分位數(shù)預測診斷算法，得出投入產(chǎn)出矩陣后，繪制圖形R程序（圖6）。

3 大數(shù)據(jù)分位數(shù)預測對于煙草行業(yè)制絲部門的實施實例

3.1 測試對象

以云南中煙紅云紅河集團曲靖卷煙廠為測試對策，以云煙（紫）2016年8月30日至9月18日生產(chǎn)云煙（紫）模組1的全部數(shù)據(jù)作為測試對象，共計133個批次。

3.2 測試方法

以大數(shù)據(jù)分析的方法基礎，運用分位數(shù)預測的方法，得出各生產(chǎn)段對應的投入產(chǎn)出比合理范圍，將該范圍納入過程分析管控，實現(xiàn)物耗分析的過程化管控標準，幫助生產(chǎn)廠提升物耗控制水平。

3.2.1 物耗計算需采集的數(shù)采點（表1）

3.2.2 物耗衡算公式

備注：物料衡算均已各段以12%的水分作為標準進行衡算。

3.2.3 各段投入產(chǎn)出比計算公式

備注（物料衡算）：一級加料前物料累積量以一級加料入口水分進行折算，松散回潮物料累積量以松散回潮入口水分進行折算。

備注（物料衡算）：二級加料前物料累積量（物料、糖料）以二級加料入口水分進行折算，一級加料物料累積量以一級加料入口水分進行折算。

備注（物料衡算）：切絲前物料累積量（物料、糖料）以切絲入口水分進行折算，二級加料物料累積量以二級加料入口水分進行折算。

備注（物料衡算）：烘絲前物料累積量以烘絲入口水分進行折算，切絲物料累積量以切絲入口水分進行折算。

備注（物料衡算）：薄板絲物料累積量以烘絲冷卻水分進行折算，烘絲前物料累計量以烘絲入口水分進行折算。

備注（物料衡算）：加香前物料累積量、摻配物料累積量（氣流絲、薄板絲、梗絲、回絲）均以烘絲冷卻水分進行折算。

備注（物料衡算）：裝箱量累積量（物料、香料）以加香后水分進行折算，加香前物料累積量以烘絲冷卻水分進行折算。

3.3 大數(shù)據(jù)分位數(shù)置信區(qū)間預測成果

3.3.1 松散回潮投入產(chǎn)出比（圖7）

經(jīng)大數(shù)據(jù)分位數(shù)預測，松散回潮投入產(chǎn)出比95%預測區(qū)間為【98.29%，99.46%】。

3.3.2 一級加料投入產(chǎn)出比（圖8）

經(jīng)大數(shù)據(jù)分位數(shù)預測，一級加料投入產(chǎn)出比95%預測區(qū)間為【98.98%，99.92%】。

3.3.3 二級加料投入產(chǎn)出比（圖9）

經(jīng)大數(shù)據(jù)分位數(shù)預測，二級加料投入產(chǎn)出比95%預測區(qū)間為【96.88%，99.71%】。

3.3.4 切絲投入產(chǎn)出比（圖10）

經(jīng)大數(shù)據(jù)分位數(shù)預測，切絲投入產(chǎn)出比95%預測區(qū)間為【96.88%，99.71%】。

3.3.5 烘絲投入產(chǎn)出比（圖11）

經(jīng)大數(shù)據(jù)分位數(shù)預測，烘絲投入產(chǎn)出比95%預測區(qū)間為【99.22%，99.92%】。

3.3.6 摻配投入產(chǎn)出比（圖12）

經(jīng)大數(shù)據(jù)分位數(shù)預測，摻配投入產(chǎn)出比95%預測區(qū)間為【98.51%，99.18%】。

3.3.7 加香投入產(chǎn)出比（圖13）

經(jīng)大數(shù)據(jù)分位數(shù)預測，加香投入產(chǎn)出比95%預測區(qū)間為【96.29%，99.81%】。

4 大數(shù)據(jù)分位數(shù)預測算法在煙草行業(yè)降本增效的前景分析

通過以曲靖卷煙廠作為試點，全面展示了大數(shù)據(jù)分位數(shù)算法在煙草行業(yè)制絲車間如何實現(xiàn)降本增效的全過程，即建立各工序投入產(chǎn)出比的預測置信區(qū)間，將該區(qū)間作為衡量過程物耗控制水平是否異常的標準，進而快速、高效地挖掘出過程物耗異常的改善點，進而快速實施改善，確保物耗控制水平維持在一個較高的層面，為全面實現(xiàn)降本增效打下堅實基礎[5]，[6]。

需要指出的是，通過大數(shù)據(jù)分位數(shù)預測算法建立的投入產(chǎn)出比置信區(qū)間是一個動態(tài)更新的過程，即需要加載機器自學習算法，在學習周期內(nèi)，無需進行自學習運算[7]。當超過自學習周期，就需要重新運算，得出新的工序投入產(chǎn)出比置信區(qū)間[8]，進而不斷符合生產(chǎn)的實際情況，持續(xù)發(fā)揮出數(shù)據(jù)挖掘帶來的價值，為行業(yè)全面實現(xiàn)降本增效提供了一套有效的發(fā)展之路。

參考文獻

[1]朱蕓.新形勢對煙草行業(yè)的影響及應對策略研究[J].改革與開放，2015（07）.

[2]張謙，胡劍波.新形勢下云南煙草經(jīng)濟發(fā)展的SWOT分析與對策[J].安徽農(nóng)業(yè)科學，2011（06）.

[3]俞震東.中國煙草業(yè)的困境及改革路徑研究[D].浙江工業(yè)大學，2014.

[4]陳建輝.順勢而為，主動作為——卷煙提稅順價對煙草商業(yè)經(jīng)營影響分析及思考[M].2015.

[5]孟艷超.夯實煙草行業(yè)降本增效工作之思路[J].企業(yè)研究，2016（04）.

[6]嚴厚平.淺析煙草企業(yè)如何實現(xiàn)降本增效[J]. 財經(jīng)界（學術版），2016（10）.

[7]何清，李寧，羅文娟，史忠植.大數(shù)據(jù)下的機器學習算法綜述[J].模式識別與人工智能，2014（04）.

[8]郭亞寧，馮莎莎. 機器學習理論研究[J].中國科技信息，2010（04）.