半導体製造

予測モデルは、データのパターンを特定し、そのパターンを使用して、特定の変数（この場合は工場の電力消費）が将来どうなるかを予測します。プロジェクトチームは、タイ首都圏配電公社の3年間の履歴データを、6つの確立された予測モデルと、このプロジェクト用に作成された1つの新しい方法を使用して、分析する必要がありました。新しい方法には、この工場の半導体製造工程に固有の因子が組み込まれています。

各予測方法は、6か月先の工場の電力負荷を予測します。この結果は、過去のデータと比較できます。プロジェクトチームは、予測方法の正確さを誤差で表す平均絶対百分率誤差（MAPE）を計算することで、どのモデルが最も正確な予測をするのかを判断できます。

プロジェクトチームは、各方法を評価し、MAPEが最も低いモデルを使用して、電力コストを評価し、適切な予算を作成し、健全な財務上の意思決定を行う必要がありました。

プロジェクトチームは、データの短期的な変動を滑らかにし、長期的な傾向とサイクルを強調するために、時系列の連続した観測値を平均して移動平均を計算しました。このモデルでは、季節性、サイクル、ランダムな変動別に作成された個々のデータポイントが近似されるため、平滑化されたデータセットで見つけにくい重要なパターンが明らかになります。

チームは、単純指数平滑化を使用してデータを表示することで、さらに別の視点を得ました。単純指数平滑化では、時間の経過とともに指数関数的に減少する重みをデータポイントに割り当てます。この手法で、最新のデータに重点を置き、工場の電力消費を予測しました。

データに傾向がある場合、単純指数平滑化は最適ではないため、プロジェクトチームは、時系列の傾向の可能性を考慮して、二重指数平滑化を使用する2番目の成分を導入しました。この取り組みでは、時系列の古い観測値への重みを減らしますが、それぞれに異なる定数を使用して傾向と傾きを平滑化します。

プロジェクトチームは、二重指数平滑化を拡張して傾向と季節変動を含めるために、Winters法を使用して、水準、傾向、季節性の3要素の動的推定値を計算しました。

プロジェクトチームは、Minitabで提供されるさまざまな予測および平滑化の方法により、この異なる取り組みのそれぞれと、工場固有の因子を組み込んだ方法を用いて、データを簡単に分析、表示、評価することができました。各方法の正確さは、各モデルの結果を実際のデータと比較することで評価しました。

プロジェクトチームが考案した予測方法では、半導体工場の工程に関連する特定の要因（機械の要件、機械のアイドル時間、各状態で使用されるキロワットなど）が組み込まれ、電力会社から提供された電力使用量の生データが調整されました。プロジェクトチームは次に、確立されている各モデルの結果を独自の方法の結果と比較しました。