Anvendelse af SAS/ETS -software til forecast af fejl i telenettet

Transkript

1 Anvendelse af SAS/ETS -software til forecast af fejl i telenettet 25. maj 2011 Lars Prip, [email protected] TDC Operations, Produktionssupport - DWH 1. juni

2 Indhold Forretningsmæssig kontekst, ressourceallokeringsprocessen Formålet med projektet Forecastmodel og datagrundlag Vi danner en forecastmodel for liniefejl (demo) Hvor godt passer forecasts? Projektorganisation Gennemførte aktiviteter Planer for projektet Konklusion Spørgsmål - hvis der bliver tid 1. juni

3 Forretningsmæssig kontekst ressourceallokeringsprocessen I TDC Operation & Wholesale, Drift udfører cirka 900 kørende teknikere installation og fejlretning af teletjenester samt kabelfejlretning. Antal indgåede kundeaftaler styres dag for dag via løfter i installationsog fejlretningsordresystemerne. Der skal dagligt, cirka 4 uger frem i tiden, skabes overensstemmelse mellem løfteantal og allokering af teknikerressourcer til: Installationsopgaver: Opsætning, ændring og nedtagning af teletjenester Fejlretning af teletjenester, liniefejl (over jord) Kabelfejlretning (typisk under jord) Ressourceallokeringen foretages af 4 planlæggere. 1. juni

4 Forretningsmæssig kontekst ressourceallokeringsprocessen De fleste teknikere kan både udføre installationsog fejlretningsopgaver poolafhængighed For få ressourcer allokeret til fejlretning for lange fejlretningstider, overarbejde og risiko for kundesvigt For mange ressourcer allokeret til fejlretning unødigt lange leveringstider for installationsopgaver og tabte produktionsmuligheder Re-allokering af ressourcer med kort varsel mellem fejlretnings- og installationsopgaver er vanskeligt/umuligt Derfor er der behov for bedst mulige forecasts af fremtidig tilgang af fejlordrer 1. juni

5 Formålet med projektet At forbedre ressourceallokeringsprocessen ved At etablere løsning til automatisk forecasting og beregning af behov for fejlretningsressourcer for at opnå Reduceret personafhængighed i ressourceallokeringsprocessen Større gennemsigtighed i ressourceallokeringsprocessen Bedre ressourceallokering Bedre styring af fejlretningstiderne 1. juni

6 Ressourceallokeringsprocessen Nedenstående trin gennemføres dagligt for hver dag, for hvert af 12 geografisk opdelte kalenderområder, cirka 4 uger ud i fremtiden: Estimer dagens tilgængelige ressourcer Fremmøde i ProPlan minus Forventet fravær der endnu ikke er kendt: Erfaring og mavefornemmelse Tidligere proces Estimer behov for fejlretningsressourcer Fejlbeholdning Erfaring for acceptable fejlretningstider Bedste gæt på fremtidig fejlordretilgang: Erfaring og mavefornemmelse Alloker resterende ressourcer til installationsopgaver 1. juni

7 Ressourceallokeringsprocessen Nedenstående trin gennemføres dagligt for hver dag, for hvert af 12 geografisk opdelte kalenderområder, cirka 4 uger ud i fremtiden: Estimer dagens tilgængelige ressourcer Fremmøde i ProPlan minus Forventet fravær der endnu ikke er kendt: Erfaring og mavefornemmelse Ny proces integreret i ProPlan Estimer behov for fejlretningsressourcer Beregn automatisk på baggrund af: Fejlbeholdning Estimat af fremtidig fejlordretilgang ved hjælp af SAS/ETS Target-fejlretningstid (ledelsesbeslutning) Alloker resterende ressourcer til installationsopgaver 1. juni

8 Forecastmodel og datagrundlag Anvendt datagrundlag: Antagelse: Vejret har stor betydning for tilgangen af linie- og kabelfejl Historisk tilgang af linie- og kabelfejl dag for dag (fra medio august 2009) Helligdagskalender Vejrudsigter fra DMI 9 dage frem for 12 byer (nedbør, temperatur, vindhastighed m.m.) - opsamlet siden medio august 2009 Afledte variable baseret på vejrdata (f.eks. vand_til_jord) Forecastmodeller for linie- og kabelfejl i 12 geografiske kalenderområder: Forecast 9 dage frem med anvendelse af vejrdata (anvendt dag 1-9) Forecast 36 dage frem uden anvendelse af vejrdata (anvendt dag 10-36) Systematikken i de historiske fejlmængder er langt det vigtigste element i de udviklede forecastmodeller 1. juni

9 Vi danner en forecastmodel for liniefejl i Østjylland DEMO Model liniefejl Østjylland 1. juni

10 Hvor godt passer forecasts? Vejrdata indgår i model Liniefejl Østjylland forecasthorisont = 7 dage Forecastede fejlmængder gemmes dagligt Liniefejl forecast_lnf 1. juni

11 Hvor godt passer forecasts? Vejrdata indgår IKKE i model Liniefejl Østjylland forecasthorisont = 21 dage 250 Forecastede fejlmængder gemmes dagligt Liniefejl forecast_lnf 1. juni

12 Hvor godt passer forecasts? 900 Liniefejl ugevis Østjylland Forecast med 1 uges forecasthorisont og med vejrdata har bedre forecastnøjagtighed end forecast med 3 ugers forcasthorisont uden vejrdata Påske Det er ikke afdækket, om forskellen skyldes forecasthorisonten eller anvendelsen af vejrdata i modellen liniefejl_uge forecast_1_uge_vejr forecast_3_uger_ej_vejr 1. juni

13 Hvor godt passer forecasts? 800 Liniefejl ugevis Indre København Ingen forbedring af forecastnøjagtigheden ved anvendelse af vejrdata for Indre København Påske Generelt er der (endnu) ikke konstateret større forbedringer af forecastnøjagtigheden ved anvendelse af vejrdata Forcastnøjagtigheden for liniefejl er tilfredsstillende i langt de fleste geografiske områder liniefejl_uge forecast_lnf_1_uge_vejr forecast_lnf_3_uger_ej_vejr 1. juni

14 Hvor godt passer forecasts? Vejrdata indgår i model j j g Kabelfejl Nordsjælland forecasthorisont = 7 dage Forecastnøjagtigheden generelt bedre for linie- end for kabelfejl Tøvejr efter lang periode med frost? Vejrfænomen ikke fanget af model? Kabelfejl forecast_kbf 1. juni

15 Projektorganisation Fire planlæggere/brugere Projektejer, chef for Taktisk planlægning: Sikret organisatorisk parathed Ekspertbistand og sparring SAS Institute (cirka 25 konsulenttimer) Én udvikler: Løsningsdesign, forecastmodeller og saskodning To udviklere: Overførsel af vejrdata (xml filer) fra DMI server og integration af løsningen i ressourcestyringssystemet ProPlan 1. juni

16 Gennemførte aktiviteter Solgt projektet til ledelse og brugere/planlæggere - vigtigt Anskaffet og klargjort eksterne data fra DMI (SAS xml-mapper) Anskaffet og klargjort interne data - forretningsmæssig viden er vigtig Udviklet forecastmodeller med tilfredsstillende nøjagtighed (SAS ETS ) Testet forecastnøjagtigheden ved hjælp af SAS -makro Udviklet model til beregning af ressourcebehov til fejlretning Gennemført pilotforsøg, forecast og ressourcebehov dagligt leveret til - og anvendt af - planlæggerne Automatiseret løsning integreret i den eksisterende systemarkitektur og i de daglige arbejdsgange (SAS/ACCESS Interface to OLE DB) Primært udviklet ved almindelig gammeldags Base SAS + makro Udført i tæt dialog mellem udviklere og brugere/planlæggere uden ressourcekrævende projektstyring og -rapportering 1. juni

17 Planer for projektet Forsøg på forbedring af forecastnøjagtigheden for kabelfejl Anvendelse af kabelfejlsforecast i den daglige produktionsstyring Yderligere forsøg på forbedring af forecastnøjagtigheden ved hjælp af vejrdata Forecast af teknikerfremmøde/-fravær 1. juni

18 Konklusion Automatisk forecast af linie- og kabelfejl er idriftsat og integreret i planlægningsværktøjet ProPlan Forcastnøjagtigheden er bedre for liniefejl end for kabelfejl Forecast af liniefejl anvendes i den daglige produktionsstyring Forecastmodellerne er primært baseret på systematikken i de historiske fejlmængder Der er (endnu) ikke konstateret større forbedringer af forecastnøjagtigheden ved inddragelse af vejrdata Der er tilsyneladende vejrfænomener af betydning, der ikke fanges af forecastmodellerne Effektiv hjælp fra SAS Institute - cirka 25 timer var tilstrækkeligt Organisatorisk parathed og forretningsmæssig viden om data er vigtig Anvendelse af SAS ETS behøver ikke at kræve et stort og dyrt projekt 1. juni

19 Spørgsmål? 1. juni