ATM-сервис
ATM-сервис оценивает риск поломки узла банкомата по транзакциям, ошибкам датчиков и истории сбоев. Исследование показало различие прогнозируемости редких и часто повторяющихся отказов.

Задача
В банкоматной сети реакция на неисправность обычно начинается после возникновения сбоя. Для ATM-сервиса поставили другую задачу: оценивать вероятность поломки заранее, чтобы рассматривать превентивное обслуживание.
Проверялась гипотеза о связи отказов узла CashHandler с накопленной нагрузкой. В анализ включили количество транзакций, ошибки датчиков и статистику сбоев банкомата. Это позволяло исследовать, какие события объясняются имеющимися данными и где их недостаточно.
Решение
Для оценки риска использован бинарный классификатор Random Forest. Дополнительный счётчик устойчивости прогноза учитывает количество дней, в течение которых модель оценивает риск поломки как высокий. Такой показатель позволяет рассматривать продолжительность сигнала наряду с отдельной оценкой модели.
События анализировались с учётом частоты повторения. Для отказов, повторяющихся с интервалом от четырёх недель, модель работала существенно лучше. В этой группе гипотеза о влиянии выработки узла в целом подтвердилась.
Результат и ограничения
Получена оценка вероятности возникновения фатальной ошибки. В исследовании отмечено улучшение метрик при увеличении горизонта прогнозирования.
Для поломок с повторением каждые пять дней и чаще определяющими оказались другие факторы, отсутствующие в данных. Это важная граница применимости: одного учёта нагрузки недостаточно для объяснения всех типов отказов. Результат помогает отделить прогнозируемые события от тех, для которых требуется другой набор признаков.
Если техника хранит историю нагрузки и ошибок, подобную гипотезу можно проверить в рамках разработки предиктивных моделей.
Похожие кейсы
Анализ данных
Контроль состава шлака на металлургическом заводе: реакция на отклонение за минуту
Z-brain сопоставляет телеметрию с историей выплавок и даёт оператору рекомендацию при отклонении состава шлака. В показанном эпизоде от срабатывания до устранения прошло меньше минуты.
Анализ данных
Модель предсказания поломки оборудования
Предиктивная модель для экструдера полимеров Сибура обнаруживает признаки засора по данным датчиков. В описании проекта зафиксирована доля предугаданных неполадок около 80%.
Анализ данных
Построение цифровой модели фабрики
Цифровая модель фабрики связывает производственные данные, процессы и оборудование. Прогноз выхода годной продукции помогает искать узкие места и поддерживает решения специалистов.