Как производители используют данные для стратегического преимущества: разблокировка конкурентного превосходства

Промышленность — лидер среди собирателей данных. Данные датчиков, трекинг движений сотрудников, данные простоя, предиктивного ТО, спроса — множество возможностей собрать информацию на заводе.

С одной стороны — звучит отлично. Со всеми этими данными производители должны лучше адаптировать продукты и сервисы через узкую сегментацию клиентов, использовать машинное обучение для снижения рисков и руководства решениями через анализ и сценарии, лучше понимать, какие продукты и сервисы предлагать дальше. Верно?

К сожалению, нет. Несмотря на лидерство в агрегации данных, многие производители не могут использовать их реально. При стольких преимуществах — почему они отстают от технологической кривой так сильно?

Почему производственные данные остаются неиспользованными

Для обсуждения решения начнём с проблемы. Почему производители не эффективно используют собираемые данные? Что их останавливает?

В самом широком смысле — устарелость. От наборов навыков сотрудников до архитектуры — всё борется с современными технологиями. Многие производители добавили тонкий слой цифровой трансформации через IoT-датчики и подобные устройства, но ядро производства часто полностью не смогло осмысленно 따라 за временем. Не обязательно привязанность к старым методам из-за традиций, а дефицит энергии и предусмотрительности для перестройки, гарантирующей продолжение бизнеса.

Для некоторых производителей время решений «быть или не быть» — сейчас, иначе их смоют течением времени, более технологично подкованными конкурентами.

Силосы данных

Устройства сбора данных у многих производителей гудят, собирая информацию, но она уходит прямо в силосы — и силосы не работают, особенно с массивами входящей информации. Часть данных уходит в операции, другая — в закупки, QA или другой департамент. «Мы не можем просто свалить всё на всех!» — восклицают многие производители.

В ответ: да, можете. И должны. Силосированные данные — хаотичны и непродуктивны — часто ведут к тому, что несколько команд работают раздельно над одними проблемами, департаменты имеют разрозненные и устаревшие данные, общий разрыв от работы как единая организация.

Старающийся персонал

Беззащитная правда: производство полно стареющих сотрудников, обученных для совершенно другой эры, и их влияние эхом проходит через политику и приоритеты. IT-навыки для умного завода — не то, за чем они учились, мысль о внедрении таких технологий кажется пугающей и некомфортной (хотя менее некомфортной, чем банкротство компании).

Старые заводы

Некоторые работающие сегодня заводы практически ветхи по сравнению с современными «умными» опциями, и у них мало поддержки для перехода на новое оборудование. Машины стары, как и архитектура и инфраструктура. Логистика полностью связанного цеха кажется недостижимой, особенно если décision-makers знают только ранние формы автоматизации и сбора данных, как датчики, требующие аннулирования гарантий на дорогое оборудование.

Устаревшие процессы

Пока цеха тесны и стареют, процессы операций и сбора данных начинают крошиться под весом собираемых данных. Некоторые используют ad hoc процесс здесь, quick-fix там — но этот лапша из решений создаёт большую проблему по мере роста data-led экономики. Процессы, основанные на прошлой промышленной эре, должны трансформироваться под требования умного объекта, но изменения могут быть некомфортными и пугающими. Эти процессы удерживают производителей от использования собранных данных.

Отсутствие DataOps

В отчёте ReThink Data становится ясно: многие производители тяжело страдают от отсутствия стратегии и реализации данных. Один главные фактор — отсутствие DataOps. Только 10% организаций сообщили о полном DataOps, две трети производителей не имели DataOps вовсе. Без этой инициативы по стратегизации и объединению сбора, данных и инструментов для извлечения смысла — разрывы остаются, и кошмар с данными продолжается.

Как максимизировать производственные данные для конкурентного преимущества

Для производителей, уже начавших внедрять умные технологии вроде IoT и Edge-вычислений, первый шаг — нанять людей для DataOps. Они свяжут данные с людьми и их решениями. Фундамент реального использования собранных данных и их качественного применения. Ваши go-to люди для ИИ, машинного обучения, Edge-вычислений, облачного управления данными.

Далее, дайте DataOps-команде нужную информацию. Разрушьте силосы данных и увидьте связи, паттерны, инсайты, которые можно экстраполировать, когда алгоритмы видят полную картину, и сколько времени департаменты вернут, сотрудничая вместо избыточной работы за закрытыми дверями.

Со всеми этими данными вам понадобится способ управлять и хранить их для готового доступа когда приходит время использовать. Это в топ-5 барьеров использования данных по отчёту ReThink Data. Также нужно защитить их, так как производственные данные часто содержат проприетарную информацию. MachineMetrics предлагает решения: автоматизированный движок трансформации данных, стандартизирующий структуры для консистентной отчётности и аналитики. Также Edge-устройства и удобное, масштабируемое, мгновенное передачу в облако для хранения и анализа с лучшими протоколами безопасности и шифрованием.

И наконец, важно развить корпоративную культуру, позитивную и открытую к использованию данных. Например, MachineMetrics позволяет работникам цеха вводить данные на планшетах прямо у станков, добавляя слои человеческого контекста к собранным данным. Такая интерактивность, реальное время, меньше простоев, меньше сломанных инструментов и брака — ведёт к тому, что сотрудники охотно принимают data-led культуру.

Готовы узнать, как IoT-платформа MachineMetrics может помочь вашей компании собирать, анализировать и хранить производственные данные? Забронируйте демо с нами.