BI-дашборды усиливают аналитику умных заводов: превращение IoT-данных в действенные инсайты

Восхождение промышленного IoT и умных заводов переопределило, чего должна достигать аналитика: разблокировка операционных данных способами, движущими осязаемые бизнес-результаты. Пока аналитика умных заводов все еще возникает, ключевой барьер — извлечение значимых трендов из потока IoT-точек касания — за пределами простого хранения логов.

IoT-датчики на заводском полу генерируют данные, которые должны быть вплетены в более широкий корпоративный данные-ковер. Поиск инсайтов должен стать ежедневной привычкой, а не разовым упражнением.

Приведение IoT-данных в рутинные рабочие процессы требует аналитических платформ, питанимых ИИ и машинным обучением, связанных с коннекторами, связывающими IT BI-дашборды с операциями завода в реальном времени.

Годами BI-дашборды служили бэк-офис анализу, но многие боролись с приемом промышленных IoT-входов до недавнего времени. Для избежания изолированной информации, организации нуждаются в дашбордах, нативно поддерживающих промышленный IoT, data lakes или облачные базы данных.

«Данные умного завода имеют много общего с данными, приходящими из других функций по бизнесу», говорит Энно де Бур, партнер в McKinsey. «Чтобы быть ценными, они должны информировать принятие решений; иначе сбор данных бессмысленен».

По всей цепочке ценности

Де Бур подчеркивает, что заводские данные должны проникать всю цепочку ценности — от закупки компонентов до последней мили доставки — для реализации реальной бизнес-ценности.

Бизнес-интеллект аналитика теперь основная часть энтерпрайз IT, но применение их к операциям остается сложным. Несмотря на препятствия внедрения, глобальный рынок промышленной аналитики прогнозируется достичь $16 млрд к 2026 году, согласно ResearchAndMarkets.com.

Скорка умной фабрики

Несколько вендоров теперь предлагают продвинутую промышленную аналитику и BI-дашборды. Лидирующие игроки в умном-заводском пространстве включают ABB, Honeywell, Bosch и Siemens.

IT-гиганты с глубокими производственными следами — такие как IBM, Hewlett Packard Enterprise и SAP — ключевые игроки в захвате, обработке, хранении и анализе умных-заводских данных. Инновационные данные-стартапы как Cloudera и DataStax также таргетизируют специализированные требования.

По мере того как облако становится хабом для заводской аналитики, лидеры такие как AWS, Google Cloud и Microsoft Azure строят data-workflow конвейеры, питающие конечные пользовательские BI-дашборды из Looker, Microsoft Power BI и Tableau.

Строительство умной фабрики

Развертывание умной-фабричной аналитики — монументальное усилие. Типичный производственный объект может генерировать более 2200 ГБ данных каждый месяц, но большинство этих данных остается неанализированными, согласно IBM отчету о цифровой трансформации. Неанализированные данные топлива затянутые IoT proof-of-concept проекты.

«Большинство промышленных данных генерируется вне IT», — отмечает Маниш Чаула, генеральный менеджер IBM для отраслей, энергетики, ресурсов и производства. Он подчеркивает, что плохое планирование может расширить время лида POC. «Люди пытались построить пентхаус без фундамента», — говорит он.

Чаула подчеркивает недавнее сотрудничество IBM с Siemens и Red Hat для выполнения аналитики из платформы Siemens Industrial IoT, MindSphere, ближе к заводской периферии.

SAP работает над тем, чтобы позволить клиентам анализировать смесь временных рядов историанских данных, IoT-фидов и бизнес-данных. Доминик Метцгер, вице-президент и глава управления продуктом для производства и промышленного IoT в SAP, отмечает, что стандартизация в обработке данных стала более экономичной и масштабируемой, с data lakes, возникающими как ключевой энейблер.

Стратегия SAP Индустрии 4.0 — названная Индустрия 4 — предоставляет референсную архитектуру, охватывающую рабочие процессы от данных историков, периферийных сервисов, облачных или ERP систем, до бизнес-интеллект возможностей.

Аналитика требует объема данных

Эволюция умной-фабричной аналитики формируется более широкими силами, влияющими на аналитику, такие как рост предиктивного и прескриптивного ИИ. Пользователи должны подходить к развертыванию аналитики мысленно, говорит Эд Куоко, вице-президент ИИ и Аналитики в PTC.

Для диагностики Куоко предостерегает, что простой статистический контроль процесса может быть предпочтительнее сложных машинно-обучающих моделей, когда качество или объем данных недостаточны.

PTC работает тесно с конечными пользователями и программными партнерами для доставки аналитики с заводской передовой к бизнес-пользователям — и иногда обратно. Недавняя сделка интегрирует Fujitsu's Smart Factory фреймворк с PTC's Vuforia дополненной реальностью и ThingWorx платформами для доставки аналитики прямо к операционным рабочим.

Новые графики для аналитики

Граф-технология данных, когда-то периферийный игрок в продвинутой аналитике, теперь принята в заводах и за их пределами. Графовые базы данных как Neo4j's Aura Enterprise контекстуализируют умную-фабричную аналитику и позволяют межкомандное сотрудничество для раскрытия операционных эффективностей.

В отличие от реляционных баз данных, хранящих данные в строках и столбцах, графовые форматы отображают сложные связи между элементами данных. Neo4j таргетизирует секторы такие как авто, гарантия, аналитика, цепочка поставок и медицинские инструменты.

В медицинской сфере компания использовала графовые методы Neo4j для отслеживания неудач до отгрузки, иллюстрируя, как детективная работа может идентифицировать корневые причины через субкомпоненты.

Neo4j предлагает коннекторы к визуальным дашбордам — включая Tableau и Tibco Spotfire — и свой собственный инструмент визуализации Bloom.

DataStax, пионер open-source NoSQL базы данных, также поддерживает обработку графовых данных в своей энтерпрайз-версии. Ее ПО питает IoT-аналитику для клиентов таких как южноафриканский Locstat, использующий ее для реального времени сенсорной аналитики.

«Визуализация становится все более важной для понимания сложных IoT-ландшафтов», — говорит Матиас Броехлер, главный технологист DataStax. Он добавляет, что некоторые заводские решения требуют мгновенных откликов, движимые разработкой автономного обнаружения аномалий.

Прощайте, силосы данных

В умных заводах успех зависит от сотрудничества менеджеров, полевых операторов и IT-команд — так же как в любой бизнес-трансформации. Де Бур предупреждает, что трансформации терпят неудачу, когда команды работают в силосах, с только одной функцией, движущей изменения.

Демократизация данных означает, что каждый стейкхолдер — от советы директоров до производственного пола — должен понимать новые технологии и их приложения. Для производства роль операционного персонала в Чемпионировании аналитики будет ключевой.

Де Бур подчеркивает программы академии аналитики, предлагаемые Глобальной сетью маяков, утверждая, что все стейкхолдеры могут выиграть от участия.