Verehrte Gäste
Mir wurde die Aufgabe zugewiesen, eine Rekurrenzanalyse unserer Daten durchzuführen.
Die uns vorliegenden Daten beziehen sich auf Roboterreparaturen. Wir möchten Reparaturereignisse und -kosten als Reaktion auf kumulierte Transaktionen mithilfe einer Wiederholungsanalyse ermitteln.
Ich habe zu dieser Frage simulierte Daten angehängt. Es sind nur drei Bots vorhanden, da wir noch nicht entschieden haben, wie die Daten angeordnet werden sollen. Ich habe diese drei Bots einfach manuell eingefügt. Ich werde weitere simulierte Daten hinzufügen, sobald wir wissen, wie die Daten für die Analyse formatiert werden sollen.
Erklärung der simulierten Daten: (Sie können diese lange Beschreibung zur Frage überspringen, wenn Sie möchten)
Die ersten beiden Spalten sind „BOT-ID“ und „Site“. Die Arbeitsstandorte von Bots können sich mit zunehmender Transaktionshäufigkeit ändern. In den Beispieldaten hat Bot 9880 mehrmals den Standort gewechselt. Nach eingehender Untersuchung und Diskussion mit Mitgliedern der JMP-Community kommen wir zu dem Schluss, dass der Standort ein zeitabhängiger Effekt ist. Ein Problem besteht darin, dass JMP keine automatische Funktion zur Berechnung des MCF für zeitabhängige Effekte bietet. Ich werde den Beitrag später mit weiteren simulierten Daten aktualisieren, damit Sie die Berechnungen nachvollziehen können.
„Transaktionsdatum“ und „Kumulierte Transaktionen“ geben den Zeitpunkt und den Betrag der Transaktion zum Zeitpunkt der Reparatur an. Wir möchten Transaktionen in der Analyse verwenden, da der Bot aus verschiedenen Gründen lange Zeit ohne Transaktion auf den Websites verweilen kann.
Die Spalten „Zensor“ haben die Zeilenwerte 0 und 1. Jeder Bot hat bei seiner letzten beobachteten Transaktion einen Zensorwert von 0, was den Abschluss des Bots darstellt. Wechselt ein Bot die Site, wird zusätzlich eine Zeile mit der ersten Transaktion der neuen Site mit 0 Zensor hinzugefügt, um den Beginn einer neuen Site anzuzeigen.
„BotSeries“ hat zwei Werte, die zwei Typen angeben.
Das „Reparaturdatum“ gibt an, wann die Reparatur stattgefunden hat.
„Verwendung“ hat zwei Werte: SOW (Standard) und L (Leihgerät). Leihgeräte wechseln wahrscheinlich den Standort, da sie an bedürftige Standorte ausgeliehen werden.
„Teil“ und „Preis“ sind die reparierten oder ersetzten Teile und der Preis des Teils.
Im „Service Center“ wird der Bot repariert.
Fragen:
Das Servicecenter ist eine neue Variable, die wir untersuchen möchten. Die Logik hinter dieser Spalte ist, dass eine Reparatur, wenn sie einfach durchzuführen ist, am selben Standort durchgeführt wird, an dem der Bot arbeitet. Ist die Reparatur kompliziert und übersteigt die Kapazität des Standorts, wird der Bot entweder an PLC oder ITC (zwei Zentren in verschiedenen US-Bundesstaaten) geliefert. Die Wahl zwischen PLC und ITC hängt stark vom Standort ab. Beispielsweise wird Standort B an PLC geliefert. Andere Standorte werden seit etwa letztem Jahr an ITC geliefert. Davor gab es nur ein ITC-Servicecenter.
Ich weiß nicht, welchen Effekt das Service Center jetzt hat. Ist es ein zeitvariabler Effekt? Es wird stark vom Standort beeinflusst, der zeitvariabel ist. Aber es ist nicht der Ort, an dem sich die Bots primär befinden, wie der Standort. Oder kann es als Reparaturmodus verwendet werden, so wie Teile als Fehlermodus interpretiert werden können? Können wir also das Service Center in der Spalte „Ursache“ angeben, um eine Wiederholungsanalyse für jeden Service Center-Wert zu generieren? Im Screenshot sehen Sie, was ich mit der Spalte „Ursache“ meine.
Eine weitere Frage betrifft die letzten beiden Zeilen von BOT9880. Der Bot wurde auf eine neue Site verschoben, konnte nach einigen Transaktionen nicht repariert werden und war zum Zeitpunkt der Studie zensiert. Ich habe also zwei Zeilen mit Zensor 0, die erste zeigt den Start einer neuen Site an. Die zweite zeigt die Schließung des Bots an. Ist das die richtige Vorgehensweise?
Vielen Dank.
