機械学習・AIモデリング | SCI総合研究所株式会社

ホーム
機械学習・AIモデリング

顧客離反の兆候は見つけられる？RFMと問い合わせ履歴から離反リスクを分析【疑似データ事例】

顧客離反の兆候は見つけられる？RFMと問い合わせ履歴から離反リスクを分析【疑似データ事例】

売上が落ちてから顧客離反に気付く課題を想定し、3,000件の人工顧客データからRFM、購買頻度の変化、問い合わせ履歴を分析。ロジスティック回帰で離反リスクを推定し、営業・カスタマーサクセスが優先的に確…

赤字案件は事前に予測できる？見積金額・工期・人数から採算リスクを判定【疑似データ事例】

赤字案件は事前に予測できる？見積金額・工期・人数から採算リスクを判定【疑似データ事例】

受注時には黒字を想定していた案件が、工数・原価超過で赤字化するケースを想定。500件の人工案件データから、見積金額・工数・工期・体制等を使って赤字リスクを分類し、PR-AUC、Recall、特徴量重要…

営業案件の受注確率をどう予測する？LightGBMで案件優先順位を考える【疑似データ事例】

営業案件の受注確率をどう予測する？LightGBMで案件優先順位を考える【疑似データ事例】

SFA・CRMに蓄積された過去案件から受注可能性を推定し、営業レビューの優先順位を整理する方法を解説。1,000件の人工商談データをLightGBMで分析し、ROC-AUC、確率校正、SHAP、案件金…

工程条件から不良を予測するには？温度・圧力・速度×XGBoostによる品質予測【疑似データ事例】

工程条件から不良を予測するには？温度・圧力・速度×XGBoostによる品質予測【疑似データ事例】

製造工程の温度・圧力・速度から、不良率が高くなる要確認ロットを事前に絞り込む方法を解説。5,000ロットの人工データをXGBoostで分類し、Precision・RecallやSHAPによるモデル解釈…

主軸負荷から加工異常をどう検知する？時系列特徴量＋LightGBMによるケーススタディ

主軸負荷から加工異常をどう検知する？時系列特徴量＋LightGBMによるケーススタディ

工作機械の主軸負荷波形を加工サイクルごとに特徴量化し、LightGBMで通常加工と要確認候補を分類。最大負荷だけの監視との違いやPrecision・Recall、実設備での運用上の注意点まで人工データ…

工具交換はいつが適切？加工回数・負荷・品質から工具寿命を予測する【疑似データ事例】

工具交換はいつが適切？加工回数・負荷・品質から工具寿命を予測する【疑似データ事例】

切削工具を一定回数で交換していませんか。80本の人工工具寿命データを使い、加工回数・主軸負荷・品質情報から残存加工回数を推定。予測誤差や工具単位での評価、実設備への適用時の注意点まで解説します。

予兆保全AIは何で評価すべき？Accuracy・Recall・誤報・Lead time・停止損失の見方

予兆保全AIは何で評価すべき？Accuracy・Recall・誤報・Lead time・停止損失の見方

予兆保全AIはAccuracyだけで評価できません。Accuracy 99%でも故障を全件見逃す仮想例から、Recall・Precision・F1・誤報・Lead time・故障イベント単位の評価、停…

同型設備なら異常検知モデルは共通化できる？複数設備へ予兆保全を横展開する方法

同型設備なら異常検知モデルは共通化できる？複数設備へ予兆保全を横展開する方法

同型ポンプや同一設備なら、1台で作った異常検知モデルをそのまま横展開できるのでしょうか。設備個体差、運転条件、センサー条件を整理し、完全共通モデル・個別モデル・共通モデル＋設備別補正の考え方を解説しま…

ポンプのキャビテーション兆候をどう捉える？振動・流量・圧力を統合した異常検知【疑似データ事例】

ポンプのキャビテーション兆候をどう捉える？振動・流量・圧力を統合した異常検知【疑似データ事例】

ポンプのキャビテーション兆候を振動・流量・吸込圧力の3センサーから分析。人工データとRandom Forestを用い、単一センサーの限界、複数データ統合、実設備で確認すべきNPSHや運転条件まで解説し…

ベアリングの異常兆候を振動データでどう捉える？RMS・FFT・Isolation Forestによる異常検知【疑似データ事例】

ベアリングの異常兆候を振動データでどう捉える？RMS・FFT・Isolation Forestによる異常検知【疑似データ事例】

ベアリング故障が設備停止後に判明するケースを想定し、人工振動データからRMS、FFT、Isolation Forestで異常傾向を捉える流れを解説。振動データを設備保全の点検・継続監視へ活用する考え方…