Dissertation/ Thesis
Statistical activity tracking: bayesian hierarchical models for monitoring customers and industrial equipment
| Τίτλος: | Statistical activity tracking: bayesian hierarchical models for monitoring customers and industrial equipment |
|---|---|
| Συγγραφείς: | Puig de Dou, Ignacio |
| Συνεισφορές: | University/Department: Universitat Politècnica de Catalunya. Departament d'Estadística i Investigació Operativa |
| Thesis Advisors: | Puig Oriol, Xavier |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Politècnica de Catalunya, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 113 p. |
| Θεματικοί όροι: | Customer Base Analysis, Customer Lifetime Value, Marketing, Bayesian Model, Model Based Clustering, Pareto/NBD, Repairable Systems, Preventive Maintenance, Reliability, Empirical Bayes, Statisticsl Process Control, Statistical Engineering, Bayesian Hierarchical Model, Condition Monitoring, Latent Variable Model, Outlier Detection., Àrees temàtiques de la UPC::Matemàtiques i estadística, Àrees temàtiques de la UPC::Economia i organització d'empreses, 51 - Matemàtiques, 65 - Gestió i organització. Administració i direcció d'empreses. Publicitat. Relacions públiques. Mitjans de comunicació de masses |
| Περιγραφή: | Tesi en modalitat de compendi de publicacions |
| Description (Translated): | (English) Modern business and industrial environments increasingly rely on continuous monitoring of customers and equipment through operational data streams. Detecting meaningful behavioral changes, such as customer disengagement or early signs of equipment malfunction, is critical for timely intervention. Classical Statistical Process Control (SPC) methods rely on assumptions that are often violated in practice, including homogeneous populations, regular exposure and a clear separation between Phase I and Phase II. This thesis develops Bayesian modeling and methodological solutions for tracking heterogeneous entities, such as customers or remotely operated industrial machines, under these practical constraints. Irregular activity, missing data, evolving operating conditions and the absence of a clean Phase I period are treated as defining features of modern monitoring problems rather than as limitations to be circumvented. The first part of the thesis focuses on customer-activity modeling through a fully Bayesian implementation of the Pareto/NBD model framework. A Bayesian clustering strategy is introduced to group customers with similar purchasing behavior, improving parameter estimation and supporting customer-level revenue forecasting. The second part addresses industrial equipment monitoring using error-count data. Two complementary approaches are proposed. First a mixture-model-based SPC framework for heterogeneous populations when in-control data are not clearly identifiable. Second a fully Bayesian hierarchical model that incorporates operating conditions, stabilizes low-exposure estimates, captures machine-specific behavior and automatically identifies out-of-control observations. Overall, Bayesian inference provides a flexible and principled framework for hierarchical modeling, probabilistic anomaly detection, information sharing across entities and sequential updating as new data become available. The proposed methods extend classical SPC ideas to contemporary business and industrial monitoring settings, offering statistically sound and operationally relevant solutions. (Català) Els entorns empresarials i industrials moderns depenen cada vegada més del monitoratge continu dels fluxos de dades que generen clients i equips en el seu dia a dia. La detecció a temps de canvis de comportament rellevants, com ara el possible abandonament de clients o els primers indicis de mal funcionament dels equips, és essencial per permetre intervencions oportunes. Els mètodes clàssics de Control Estadístic de Processos (SPC) es basen en supòsits que sovint es vulneren a la pràctica, com ara poblacions homogènies, una exposició regular i una separació clara entre la Fase I i la Fase II del procés de control. Aquesta tesi desenvolupa models bayesians i solucions metodològiques per al seguiment d’entitats heterogènies, com ara clients o màquines industrials operades remotament, sota aquestes restriccions pràctiques. L’activitat irregular, les dades mancants, les condicions d’operació canviants i l’absència d’una Fase I ben definida es tracten com a característiques inherents als problemes de monitoratge moderns i no com a limitacions a evitar. La primera part de la tesi es centra en la modelització de l’activitat dels clients mitjançant una implementació completament bayesiana del model Pareto/NBD. El model ve precedit per un clustering bayesià que permet agrupar clients amb patrons de compra similars, millorant l’estimació dels paràmetres i donant suport a la predicció dels ingressos per client. La segona part aborda el monitoratge d’equips industrials a partir de dades de recompte d’errors. Es proposen dos enfocaments complementaris. En primer lloc, un SPC basat en models de mixtura per a poblacions heterogènies quan les dades obtingudes sota control no són clarament identificables. En segon lloc, un model jeràrquic bayesià que incorpora les condicions d’operació, estabilitza les estimacions obtingudes de períodes amb baixa exposició, captura el comportament específic de cada màquina i identifica automàticament observacions fora de control. En conjunt, la inferència bayesiana proporciona un marc flexible i fonamentat per a la modelització jeràrquica, la detecció probabilística d’anomalies, el compartiment d’informació entre entitats i l’actualització seqüencial a mesura que es disposa de noves dades. Els mètodes proposats amplien les idees clàssiques de l’SPC als contextos contemporanis de monitoratge empresarial i industrial, oferint solucions estadísticament sòlides i operativament rellevants. (Español) Los entornos empresariales e industriales modernos dependen cada vez más del monitoreo continuo de los flujos de datos que generan clientes y equipos en su actividad diaria. La detección temprana de cambios de comportamiento relevantes, como el posible abandono de clientes o los primeros indicios de mal funcionamiento de los equipos, es esencial para permitir intervenciones oportunas. Los métodos clásicos de Control Estadístico de Procesos (SPC) se basan en supuestos que a menudo se ven vulnerados en la práctica, como poblaciones homogéneas, una exposición regular y una separación clara entre la Fase I y la Fase II del proceso de control. Esta tesis desarrolla modelos bayesianos y soluciones metodológicas para el seguimiento de entidades heterogéneas, como clientes o máquinas industriales operadas de forma remota, bajo estas restricciones prácticas. La actividad irregular, los datos faltantes, las condiciones de operación cambiantes y la ausencia de una Fase I claramente definida se tratan como características inherentes a los problemas de monitoreo modernos, y no como limitaciones que deban evitarse. La primera parte de la tesis se centra en la modelización de la actividad de los clientes mediante una implementación completamente bayesiana del modelo Pareto/NBD. El modelo está precedido por una estrategia de clustering bayesiano que permite agrupar clientes con patrones de compra similares, mejorando la estimación de los parámetros e incluyendo la predicción de los ingresos por cliente. La segunda parte aborda el monitoreo de equipos industriales a partir de datos de recuento de errores. Se proponen dos enfoques complementarios. En primer lugar, un marco de SPC basado en modelos de mixtura para poblaciones heterogéneas cuando los datos obtenidos bajo control no son claramente identificables. En segundo lugar, un modelo jerárquico bayesiano que incorpora las condiciones de funcionamiento, estabiliza las estimaciones obtenidas en períodos con baja exposición, captura el comportamiento específico de cada máquina e identifica automáticamente observaciones fuera de control. En conjunto, la inferencia bayesiana proporciona un marco flexible y fundamentado para la modelización jerárquica, la detección probabilística de anomalías, el intercambio de información entre entidades y la actualización secuencial a medida que se dispone de nuevos datos. Los métodos propuestos amplían las ideas clásicas del SPC a los contextos contemporáneos de monitoreo empresarial e industrial, ofreciendo soluciones estadísticamente sólidas y operativamente relevantes. DOCTORAT EN ESTADÍSTICA I INVESTIGACIÓ OPERATIVA (Pla 2012) |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| DOI: | 10.5821/dissertation-2117-471729 |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/698019 https://dx.doi.org/10.5821/dissertation-2117-471729 |
| Rights: | ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs. |
| Αριθμός Καταχώρησης: | edstdx.10803.698019 |
| Βάση Δεδομένων: | TDX |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://hdl.handle.net/10803/698019# Name: EDS - TDX (ns324271) Category: fullText Text: View record in TDX |
|---|---|
| Header | DbId: edstdx DbLabel: TDX An: edstdx.10803.698019 RelevancyScore: 1447 AccessLevel: 3 PubType: Dissertation/ Thesis PubTypeId: dissertation PreciseRelevancyScore: 1446.97473144531 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Statistical activity tracking: bayesian hierarchical models for monitoring customers and industrial equipment – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Puig+de+Dou%2C+Ignacio%22">Puig de Dou, Ignacio</searchLink> – Name: Author Label: Contributors Group: Au Data: University/Department: Universitat Politècnica de Catalunya. Departament d'Estadística i Investigació Operativa – Name: Author Label: Thesis Advisors Group: Au Data: Puig Oriol, Xavier – Name: TitleSource Label: Source Group: Src Data: TDX (Tesis Doctorals en Xarxa) – Name: Publisher Label: Publisher Information Group: PubInfo Data: Universitat Politècnica de Catalunya, 2026. – Name: DatePubCY Label: Publication Year Group: Date Data: 2026 – Name: PhysDesc Label: Physical Description Group: PhysDesc Data: 113 p. – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Customer+Base+Analysis%22">Customer Base Analysis</searchLink><br /><searchLink fieldCode="DE" term="%22Customer+Lifetime+Value%22">Customer Lifetime Value</searchLink><br /><searchLink fieldCode="DE" term="%22Marketing%22">Marketing</searchLink><br /><searchLink fieldCode="DE" term="%22Bayesian+Model%22">Bayesian Model</searchLink><br /><searchLink fieldCode="DE" term="%22Model+Based+Clustering%22">Model Based Clustering</searchLink><br /><searchLink fieldCode="DE" term="%22Pareto%2FNBD%22">Pareto/NBD</searchLink><br /><searchLink fieldCode="DE" term="%22Repairable+Systems%22">Repairable Systems</searchLink><br /><searchLink fieldCode="DE" term="%22Preventive+Maintenance%22">Preventive Maintenance</searchLink><br /><searchLink fieldCode="DE" term="%22Reliability%22">Reliability</searchLink><br /><searchLink fieldCode="DE" term="%22Empirical+Bayes%22">Empirical Bayes</searchLink><br /><searchLink fieldCode="DE" term="%22Statisticsl+Process+Control%22">Statisticsl Process Control</searchLink><br /><searchLink fieldCode="DE" term="%22Statistical+Engineering%22">Statistical Engineering</searchLink><br /><searchLink fieldCode="DE" term="%22Bayesian+Hierarchical+Model%22">Bayesian Hierarchical Model</searchLink><br /><searchLink fieldCode="DE" term="%22Condition+Monitoring%22">Condition Monitoring</searchLink><br /><searchLink fieldCode="DE" term="%22Latent+Variable+Model%22">Latent Variable Model</searchLink><br /><searchLink fieldCode="DE" term="%22Outlier+Detection%2E%22">Outlier Detection.</searchLink><br /><searchLink fieldCode="DE" term="%22Àrees+temàtiques+de+la+UPC%3A%3AMatemàtiques+i+estadística%22">Àrees temàtiques de la UPC::Matemàtiques i estadística</searchLink><br /><searchLink fieldCode="DE" term="%22Àrees+temàtiques+de+la+UPC%3A%3AEconomia+i+organització+d'empreses%22">Àrees temàtiques de la UPC::Economia i organització d'empreses</searchLink><br /><searchLink fieldCode="DE" term="%2251+-+Matemàtiques%22">51 - Matemàtiques</searchLink><br /><searchLink fieldCode="DE" term="%2265+-+Gestió+i+organització%2E+Administració+i+direcció+d'empreses%2E+Publicitat%2E+Relacions+públiques%2E+Mitjans+de+comunicació+de+masses%22">65 - Gestió i organització. Administració i direcció d'empreses. Publicitat. Relacions públiques. Mitjans de comunicació de masses</searchLink> – Name: Abstract Label: Description Group: Ab Data: Tesi en modalitat de compendi de publicacions – Name: Abstract Label: Description (Translated) Group: Ab Data: (English) Modern business and industrial environments increasingly rely on continuous monitoring of customers and equipment through operational data streams. Detecting meaningful behavioral changes, such as customer disengagement or early signs of equipment malfunction, is critical for timely intervention. Classical Statistical Process Control (SPC) methods rely on assumptions that are often violated in practice, including homogeneous populations, regular exposure and a clear separation between Phase I and Phase II. This thesis develops Bayesian modeling and methodological solutions for tracking heterogeneous entities, such as customers or remotely operated industrial machines, under these practical constraints. Irregular activity, missing data, evolving operating conditions and the absence of a clean Phase I period are treated as defining features of modern monitoring problems rather than as limitations to be circumvented. The first part of the thesis focuses on customer-activity modeling through a fully Bayesian implementation of the Pareto/NBD model framework. A Bayesian clustering strategy is introduced to group customers with similar purchasing behavior, improving parameter estimation and supporting customer-level revenue forecasting. The second part addresses industrial equipment monitoring using error-count data. Two complementary approaches are proposed. First a mixture-model-based SPC framework for heterogeneous populations when in-control data are not clearly identifiable. Second a fully Bayesian hierarchical model that incorporates operating conditions, stabilizes low-exposure estimates, captures machine-specific behavior and automatically identifies out-of-control observations. Overall, Bayesian inference provides a flexible and principled framework for hierarchical modeling, probabilistic anomaly detection, information sharing across entities and sequential updating as new data become available. The proposed methods extend classical SPC ideas to contemporary business and industrial monitoring settings, offering statistically sound and operationally relevant solutions.<br />(Català) Els entorns empresarials i industrials moderns depenen cada vegada més del monitoratge continu dels fluxos de dades que generen clients i equips en el seu dia a dia. La detecció a temps de canvis de comportament rellevants, com ara el possible abandonament de clients o els primers indicis de mal funcionament dels equips, és essencial per permetre intervencions oportunes. Els mètodes clàssics de Control Estadístic de Processos (SPC) es basen en supòsits que sovint es vulneren a la pràctica, com ara poblacions homogènies, una exposició regular i una separació clara entre la Fase I i la Fase II del procés de control. Aquesta tesi desenvolupa models bayesians i solucions metodològiques per al seguiment d’entitats heterogènies, com ara clients o màquines industrials operades remotament, sota aquestes restriccions pràctiques. L’activitat irregular, les dades mancants, les condicions d’operació canviants i l’absència d’una Fase I ben definida es tracten com a característiques inherents als problemes de monitoratge moderns i no com a limitacions a evitar. La primera part de la tesi es centra en la modelització de l’activitat dels clients mitjançant una implementació completament bayesiana del model Pareto/NBD. El model ve precedit per un clustering bayesià que permet agrupar clients amb patrons de compra similars, millorant l’estimació dels paràmetres i donant suport a la predicció dels ingressos per client. La segona part aborda el monitoratge d’equips industrials a partir de dades de recompte d’errors. Es proposen dos enfocaments complementaris. En primer lloc, un SPC basat en models de mixtura per a poblacions heterogènies quan les dades obtingudes sota control no són clarament identificables. En segon lloc, un model jeràrquic bayesià que incorpora les condicions d’operació, estabilitza les estimacions obtingudes de períodes amb baixa exposició, captura el comportament específic de cada màquina i identifica automàticament observacions fora de control. En conjunt, la inferència bayesiana proporciona un marc flexible i fonamentat per a la modelització jeràrquica, la detecció probabilística d’anomalies, el compartiment d’informació entre entitats i l’actualització seqüencial a mesura que es disposa de noves dades. Els mètodes proposats amplien les idees clàssiques de l’SPC als contextos contemporanis de monitoratge empresarial i industrial, oferint solucions estadísticament sòlides i operativament rellevants.<br />(Español) Los entornos empresariales e industriales modernos dependen cada vez más del monitoreo continuo de los flujos de datos que generan clientes y equipos en su actividad diaria. La detección temprana de cambios de comportamiento relevantes, como el posible abandono de clientes o los primeros indicios de mal funcionamiento de los equipos, es esencial para permitir intervenciones oportunas. Los métodos clásicos de Control Estadístico de Procesos (SPC) se basan en supuestos que a menudo se ven vulnerados en la práctica, como poblaciones homogéneas, una exposición regular y una separación clara entre la Fase I y la Fase II del proceso de control. Esta tesis desarrolla modelos bayesianos y soluciones metodológicas para el seguimiento de entidades heterogéneas, como clientes o máquinas industriales operadas de forma remota, bajo estas restricciones prácticas. La actividad irregular, los datos faltantes, las condiciones de operación cambiantes y la ausencia de una Fase I claramente definida se tratan como características inherentes a los problemas de monitoreo modernos, y no como limitaciones que deban evitarse. La primera parte de la tesis se centra en la modelización de la actividad de los clientes mediante una implementación completamente bayesiana del modelo Pareto/NBD. El modelo está precedido por una estrategia de clustering bayesiano que permite agrupar clientes con patrones de compra similares, mejorando la estimación de los parámetros e incluyendo la predicción de los ingresos por cliente. La segunda parte aborda el monitoreo de equipos industriales a partir de datos de recuento de errores. Se proponen dos enfoques complementarios. En primer lugar, un marco de SPC basado en modelos de mixtura para poblaciones heterogéneas cuando los datos obtenidos bajo control no son claramente identificables. En segundo lugar, un modelo jerárquico bayesiano que incorpora las condiciones de funcionamiento, estabiliza las estimaciones obtenidas en períodos con baja exposición, captura el comportamiento específico de cada máquina e identifica automáticamente observaciones fuera de control. En conjunto, la inferencia bayesiana proporciona un marco flexible y fundamentado para la modelización jerárquica, la detección probabilística de anomalías, el intercambio de información entre entidades y la actualización secuencial a medida que se dispone de nuevos datos. Los métodos propuestos amplían las ideas clásicas del SPC a los contextos contemporáneos de monitoreo empresarial e industrial, ofreciendo soluciones estadísticamente sólidas y operativamente relevantes.<br />DOCTORAT EN ESTADÍSTICA I INVESTIGACIÓ OPERATIVA (Pla 2012) – Name: TypeDocument Label: Document Type Group: TypDoc Data: Dissertation/Thesis – Name: Format Label: File Description Group: SrcInfo Data: application/pdf – Name: Language Label: Language Group: Lang Data: English – Name: DOI Label: DOI Group: ID Data: 10.5821/dissertation-2117-471729 – Name: URL Label: Access URL Group: URL Data: <link linkTarget="URL" linkTerm="https://hdl.handle.net/10803/698019" linkWindow="_blank">https://hdl.handle.net/10803/698019</link><br /><link linkTarget="URL" linkTerm="https://dx.doi.org/10.5821/dissertation-2117-471729" linkWindow="_blank">https://dx.doi.org/10.5821/dissertation-2117-471729</link> – Name: Copyright Label: Rights Group: Cpyrght Data: ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs. – Name: AN Label: Accession Number Group: ID Data: edstdx.10803.698019 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edstdx&AN=edstdx.10803.698019 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.5821/dissertation-2117-471729 Languages: – Text: English PhysicalDescription: Pagination: PageCount: 113 Subjects: – SubjectFull: Customer Base Analysis Type: general – SubjectFull: Customer Lifetime Value Type: general – SubjectFull: Marketing Type: general – SubjectFull: Bayesian Model Type: general – SubjectFull: Model Based Clustering Type: general – SubjectFull: Pareto/NBD Type: general – SubjectFull: Repairable Systems Type: general – SubjectFull: Preventive Maintenance Type: general – SubjectFull: Reliability Type: general – SubjectFull: Empirical Bayes Type: general – SubjectFull: Statisticsl Process Control Type: general – SubjectFull: Statistical Engineering Type: general – SubjectFull: Bayesian Hierarchical Model Type: general – SubjectFull: Condition Monitoring Type: general – SubjectFull: Latent Variable Model Type: general – SubjectFull: Outlier Detection. Type: general – SubjectFull: Àrees temàtiques de la UPC::Matemàtiques i estadística Type: general – SubjectFull: Àrees temàtiques de la UPC::Economia i organització d'empreses Type: general – SubjectFull: 51 - Matemàtiques Type: general – SubjectFull: 65 - Gestió i organització. Administració i direcció d'empreses. Publicitat. Relacions públiques. Mitjans de comunicació de masses Type: general Titles: – TitleFull: Statistical activity tracking: bayesian hierarchical models for monitoring customers and industrial equipment Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Puig de Dou, Ignacio IsPartOfRelationships: – BibEntity: Dates: – D: 06 M: 07 Type: published Y: 2026 |
| ResultId | 1 |