本文通过一个案例研究，探讨了一家北美输配电公司（简称UtilityCo）如何通过实施高级分析来优化其资产管理，希望为其他企业提供参考。
原文：Advanced analytics in utility asset management | McKinsey 译：数字基座
资产管理在输配电公司中非常关键，因其直接影响运营和资本开支。通过引入新技术，公司能显著提升效率并降低成本。据麦肯锡报道，利用高级分析技术，输配电公司可以在保持网络可靠性和性能的同时，减少10%至20%的成本。
2021年，UtilityCo通过高级分析实现了运营成本降低20%至25%，资本支出减少40%至60%。这一节省效果极为显著，尤其是在面对客户对价格可承受性的压力、通货膨胀、供应链问题及对可再生能源和网络安全等新投资需求不断增长的背景下。节省下来的资金可以用于提高公司的再投资能力，从而增强整体运营的可靠性。
鉴于初步模型的成功，UtilityCo还制定了一份路线图，计划两年内将基于资产管理风险的方法覆盖到全资产组合的三分之二。
通过本案例，我们可以看出，在将高级分析纳入资产管理的同时，如果这一做法作为公司更广泛的组织变革的一部分，其成果的实现将更为迅速和有效。
北美输配电公司 (UtilityCo)：概述
UtilityCo在资产管理中面对一系列行业挑战。公司在进行资产更换决策时未采用基于风险的方法，且不同运营单位采用各异的管理方法。尽管收集了大量有用数据，这些数据未被充分利用，而是分散存储在多个系统中。此外，公司还依赖于过于简化的“三次触发”规则，即在电缆发生三次故障后才进行更换。
高级分析取得的成果
UtilityCo通过高级分析在以下四个方面优化了其资产管理：
- 优化资本支出：公司在不增加风险的情况下减少支出，或在维持现有支出的同时更换高风险资产以提高可靠性。
- 优化预防性维护：通过改进预防性维护措施，降低运营成本，同时保持或提升系统可靠性。
- 减少纠正性维护支出：通过更换高风险资产，降低故障发生频率及其维护成本。
- 提升系统可靠性：通过更换高风险资产，减少系统故障，优化SAIDI和SAIFI性能指标。
在具体实施中，公司通过高级分析发现，在保持资本支出不变的前提下，能够显著降低风险。同时，也可选择在不增加成本的情况下提高可靠性，或在保持可靠性的同时减少40%到60%的支出，为未来的重投资释放资金。
对于运营支出，公司能够在维持现有预防性维护投入的情况下，将系统风险降低1.5到2倍，或者在保持当前风险水平的前提下，减少20%到25%的预防性维护支出。
在地下电缆管理方面，通过更换风险最高的电缆，成功避免了多达70%的潜在停电。优化模型帮助公司在不增加支出的情况下提高可靠性，或在保持当前可靠性水平的同时节约成本。
最后，UtilityCo开发了一个可视化仪表板，展示高级分析的成果，并帮助公司可视化、优先排序和实施新的维护措施。这一平台加速了决策过程，成为公司更广泛转型的一部分，显著提升了资产管理的效率和效果，加强了面对未来挑战的能力，尤其是在成本控制和可靠性提升方面。
方法论
北美输配电公司（UtilityCo）采用了以高级分析为核心的资产管理策略。该公司综合了内部和外部资产数据，以此来计算每项资产的健康评分（故障概率）和关键性（故障成本）。这些评分帮助公司评估每个资产的整体风险，并据此对资产的更换和维护活动进行优先级排序。
在项目的初期阶段，公司已经制定了一项全面的计划，旨在在所有资产和运营单位中推广这种高级分析方法。资产的优先级排序基于多个因素，包括：
- 潜在的影响（如影响运营和资本支出的程度）
- 影响所需的时间
- 实施的可行性（包括数据的数量和质量，以及建模的技术难度）
在配电资产的具体排序过程中，公司遵循了“领导和跟随”原则。这意味着，例如，在对杆塔（领导者）完成建模后，再对横担（跟随者）进行建模。这种策略确保了资源合理分配，并优先处理了风险高或关键性高的资产。
健康评分：估计故障概率
UtilityCo根据不同的资产类型，考虑了超过100个变量来估计故障概率。这一过程利用了机器学习模型，这些模型训练使用的数据包括内部数据（如资产使用寿命、工作订单、故障历史记录）和外部数据（如过去几年的天气数据）。为了验证模型的性能，公司使用了留出数据集（holdout data set）。例如，在分析输变电变压器资产类别时，模型能在大约20%的数据中预测出约45%的故障（如下图）。
为了构建健康评分模型，公司整合了来自多个不同系统的数据，如地理信息系统和停电管理系统。随后，公司清理并统一了这些数据，使其适用于机器学习模型，并确定了预测目标。在某些情况下，这个过程相对简单，例如，标记出经历过停电的变压器。而在其他情况下，过程则更为复杂，比如标记出缺少序列号或零件号的故障电缆。然后，数据被分为训练集（用于训练机器学习模型）和测试集（用于测试模型在训练后的性能）。由于公司希望超越标准机器学习算法，它还将失效模式分析纳入了输变电变压器模型中，以便能够按组件详细评估故障概率，从而帮助优先排序基于状态的维护。
最终，公司将之前的工程健康模型结果与机器学习模型的结果结合，以此来计算故障概率并提升模型性能。
关键性：估计故障成本
UtilityCo从多个维度估算了故障成本，包括维修成本、服务成本、安全成本和环境成本（如下图）。维修成本是指资产发生故障后使其恢复运行所需的成本。服务成本是根据收入损失和客户“重要性”相关的因素进行估计的（例如，医院相对于单个家庭被认为“更重要”）。安全和环境成本：这取决于资产的位置和资产类型。
根据资产的不同，公司认为将资产更换进行分组以提高运营效率是必要的。例如，公司发现对地下电缆进行分组更换并应用运行限制是有效的，但对变压器更换进行分组则不是必需的。通常，资产可以根据简单的业务规则进行分组，例如，根据电缆所连接的保护装置进行分组，以便于维修。
构建优化引擎
UtilityCO利用一个优化引擎来优先安排资产的更换和预防性维护活动（PM），依据的是各资产的风险评估。优化的第一步是计算每个资产的风险值，这是通过将资产的健康评分与其关键性相乘得出的。基于这个风险评分以及资产更换的成本，公司对资产进行优先排序。例如，在成本较低的情况下，风险较高的变压器会比成本较高的同类变压器更优先进行更换。
为了更有效地进行预防性维护，UtilityCO将详细的失效模式分析纳入到优化引擎中，这帮助评估每项预防性维护活动能够消除多少风险。此外，优化引擎还考虑了执行每项活动所需的成本，优先考虑在成本相同的情况下能够最大程度降低风险的活动。
为了优化预防性维护，我们在优化引擎中加入了详细的故障模式分析，以便估算每项预防性维护活动能够消除多少风险。
经验教训和成功总结
UtilityCO采用了以高级分析为核心的资产管理计划，从中获得了丰富的经验和教训，特别是在启动项目、数据质量、人才与能力、变更管理以及执行和治理等方面。
在项目初期，UtilityCO面对的主要挑战是内部的抵抗情绪，员工担心现有数据不足以满足监管要求。为了克服这一难题，公司首先进行了概念验证，选择了数据质量较好的资产作为起点，发展出了优于现状的解决方案。这一步的成功极大增强了团队的信心，并为后续在更多资产上的推广奠定了基础。
数据孤岛问题也是一大挑战，它涉及数据分散在不同系统中或数据不完整、重复的问题。UtilityCO通过开发新的数据架构和实施严格的数据质量控制流程来解决这些问题。在某些情况下，例如缺少资产的安装日期，公司采用制造日期作为替代。
此外，由于数据科学和工程领域的迅速发展，相关人才相对稀缺。UtilityCO建立了一个数据卓越中心，以管理人才梯队培养和业务流程标准化，确保整个组织能够统一发展。
在变更管理方面，UtilityCO鼓励资产管理人员从项目初期就参与进来，这样他们可以在解决方案的开发过程中发挥作用。这种早期的参与有助于平滑过渡和增强团队对新流程的接受度。
最后，在实施和治理过程中，UtilityCO将高级分析技术纳入资产更换决策和维护更新政策。通过在项目初期就让主题专家参与并运行试点来测试新流程，UtilityCO确信其模型能够满足组织的需求，从而增强了对这些高级工具的信任。
UtilityCO成功地转型其资产管理战略，主要得益于以下几个关键因素：
- 领导层的全力支持与推动。资产管理解决方案的实施通常需要跨部门的流程变更和新技术的采用，因此领导层的支持至关重要。例如，输配电和IT部门的高层领导每两周参加一次项目评审会，不仅评估进展、鼓励团队，还强调工作的重要性。
- 采用敏捷工作方式。团队通过设定短期目标（如一到两周一个sprint），共同协作，确保项目按计划推进且能及时调整。跨职能团队的协作也是成功的关键，如业务和IT部门的联合会议，主题专家会指导团队如何精准使用数据来预测设备故障。
- 行动优先，逐步完善。UtilityCO初期通过对少数资产进行概念验证来展示其解决方案的潜在价值，而不是等到所有条件完美才开始行动。这种做法有助于在扩展到更多资产之前证明方案的有效性。
- 有效的变更管理。资产管理团队通常凭借多年经验遵循固定流程和政策，对新技术如机器学习模型持保留态度。通过让团队从一开始就参与到模型构建过程中，帮助他们理解并接受新流程，比如更新地下电缆的决策标准，这是解决传统观念和新技术冲突的有效策略。
UtilityCO从依赖有限数据和采用普遍的预防性维护策略，转变为利用大量数据和高级分析来做出基于资产风险的更换和维修决策。这种策略不仅显著降低了资本和运营成本，也提高了对客户和监管机构的服务可靠性。
