Η αξιοποίηση των Big Data αποτελεί επιτακτική ανάγκη των επιχειρήσεων αφού παρουσιάζει λύσεις σε μακροχρόνιες επιχειρηματικές προκλήσεις για βιομηχανικές εταιρείες παραγωγής σε όλο τον κόσμο.

Ανάμεσα στους κλάδους που πραγματοποιούν τις μεγαλύτερες επενδύσεις σε big data και business analytics (BDA) είναι η βιομηχανική παραγωγή. Στο συγκεκριμένο άρθρο, θα καταδείξουμε πώς με τη χρήση των Big Data analytics μπορούμε να πραγματοποιήσουμε πιο αποδοτικά την προληπτική συντήρηση. Επίσης, θα αναλύσουμε το θέμα της παραγωγής πιο ολιστικά σε συνδυασμό με τη χρήση των big data analytics, παρουσιάζοντας τα εργαλεία που πρέπει να χρησιμοποιήσουν οι βιομηχανίες, για να επιτευχθούν μεγαλύτερες αποδόσεις και κατά συνέπεια, υψηλότερα κέρδη.

Σύμφωνα λοιπόν με το ΣΕΒ, η αξιοποίηση σύγχρονων εργαλείων ανάλυσης δεδομένων κερδίζει συνεχώς έδαφος στις επιχειρήσεις. Όμως, παρόλο που ζούμε στην εποχή της 4ης Βιομηχανικής Επανάστασης, η ανθρώπινη «διαίσθηση» και η «εμπειρία» παραμένουν κυρίαρχα κριτήρια των επιχειρηματικών επιλογών στην Ελλάδα, καθώς τα ψηφιακά εργαλεία δεν συνοδεύονται από τον ανάλογο διοικητικό και λειτουργικό μετασχηματισμό. Ένα χαρακτηριστικό παράδειγμα είναι το εξής: Η προμήθεια σύγχρονων εργαλείων ανάλυσης μεγάλου όγκου δεδομένων (Big Data Analytics) είναι ιδιαίτερα διαδεδομένη στον ιδιωτικό τομέα στην Ελλάδα, πάνω από το μέσο όρο της ΕΕ (12η θέση στην ΕΕ-28, στο σχετικό δείκτη DESI2020). Όμως, τα εργαλεία αυτά σε μεγάλο βαθμό παραμένουν αναξιοποίητα.

Υπό το συνολικό πρίσμα, τα Big Data είναι απαραίτητα για την αύξηση της παραγωγικότητας και της αποδοτικότητας, καθώς και για την προώθηση της καινοτομίας. Άλλωστε, αναφερόμαστε σε μία αγορά με εντυπωσιακούς ρυθμούς ανάπτυξης. Το Global Big Data Analytics στη Μεταποιητική Βιομηχανία εκτιμήθηκε στα 904,65 εκατ. δολάρια το 2019 και αναμένεται να φθάσει τα 4,55 δισ. δολάρια έως το 2025. Με τα Big Data analytics, οι διαχειριστές των βιομηχανικών εγκαταστάσεων μπορούν να ανακαλύψουν νέες πληροφορίες και να προσδιορίσουν μοτίβα, που τους επιτρέπουν να βελτιώσουν τις διαδικασίες, να αυξήσουν την αποδοτικότητα της αλυσίδας εφοδιασμού και να εντοπίσουν κάποιες άλλες πιθανές μεταβλητές, που επηρεάζουν την παραγωγή.

Η Ford θέλοντας, για παράδειγμα, να προλάβει πιθανές καθυστερήσεις στη γραμμή παραγωγής του εργοστασίου της στη Βαλένθια, σε συνεργασία με ειδικούς στον τομέα της ρομποτικής από το τοπικό πανεπιστήμιο και μηχανικούς της, αξιοποίησε την τεχνολογία μεγάλων δεδομένων. Με αυτό τον τρόπο, οι υπεύθυνοι στην κατασκευαστική αλυσίδα είχαν τη δυνατότητα να ειδοποιούνται αμέσως μέσω μιας ειδικής εφαρμογής για smartphone όταν η λειτουργία ορισμένων μηχανών ή εξαρτημάτων αρχίζει να επιβραδύνει – γεγονός που αποτελεί σαφή ένδειξη ότι σύντομα ενδέχεται να «καταρρεύσουν».

Από τις αρχές του 2019 μέχρι και το 2020, η αξιοποίηση μεγάλων δεδομένων έχει επιφέρει στην Ford εξοικονομήσεις άνω του 1 εκατομμυρίου ευρώ, συμβάλλοντας με αυτόν τον τρόπο στη διασφάλιση των χρόνων παράδοσης του εργοστάσιου παραγωγής στη Βαλένθια, έτσι ώστε οι πελάτες της εταιρείας να παραλαμβάνουν έγκαιρα το νέο τους αυτοκίνητο.

ΑΠΟΔΟΣΗ ΤΟΥ ΕΞΟΠΛΙΣΜΟΥ
Δεδομένου ότι τα κέρδη από τη βιομηχανική παραγωγή βασίζονται σε μεγάλο βαθμό στη μεγιστοποίηση της αξίας των πάγιων στοιχείων, τα οφέλη από τη μεγιστοποίηση της απόδοσης τους μπορούν να οδηγήσουν σε μεγάλες βελτιώσεις της παραγωγικότητας. Αυτό μπορεί να συμβεί, ακόμη και αν η απόδοση των πάγιων στοιχείων βελτιώνεται ελάχιστα. Στην ίδια λογική, η μείωση των βλαβών των πάγιων στοιχείων μπορεί να αποτρέψει πιθανές ζημίες. Για τους λόγους αυτούς, όσοι διευθύνουν παραγωγικές μονάδες επικεντρώνονται στη συντήρηση, και προσπαθούν να βελτιστοποιούν συνεχώς την απόδοση των πάγιων στοιχείων.
Τα αρχεία καταγραφής, που διατηρούν οι μηχανές περιέχουν δεδομένα σχετικά με την απόδοση αυτών των πάγιων στοιχείων. Το Διαδίκτυο των πραγμάτων (Internet of Things – IoT) προσθέτει μια νέα διάσταση με τις διασυνδεδεμένες μηχανές και τους αισθητήρες που είναι σε θέση να μετρούν, να καταγράφουν και να μεταδίδουν την απόδοση σε πραγματικό χρόνο. Αυτά τα δεδομένα είναι δυνητικά πολύτιμα για όσους διευθύνουν βιομηχανικές μονάδες παραγωγής. Το πρόβλημα είναι, όμως, ότι αυτά τα δεδομένα πολλές φορές δεν μπορούν να τα διαχειριστούν λόγω του τεράστιου όγκου τους.

Η ανάλυση αυτών των δεδομένων (data analytics) μπορεί να βοηθήσει τη συλλογή, το ξεκαθάρισμα και εν γένει την ανάλυση των δεδομένων των μηχανημάτων. Έτσι, δημιουργούνται οι πληροφορίες, οι οποίες μπορούν να βοηθήσουν τους διαχειριστές των εγκαταστάσεων να βελτιώσουν την απόδοση αυτών των μηχανημάτων.
Εκτός από τη δυνατότητα της ανάλυσης ιστορικών δεδομένων, τα Big Data μπορούν να οδηγήσουν σε προγνωστικά αναλυτικά στοιχεία, τα οποία όσοι διευθύνουν βιομηχανικές μονάδες παραγωγής μπορούν να χρησιμοποιήσουν, ώστε να προγραμματίσουν προληπτικές συντηρήσεις. Αυτές με τη σειρά τους θα επιτρέψουν μετέπειτα στις μονάδες παραγωγής να αποφύγουν τυχόν δαπανηρές βλάβες του εξοπλισμού και κατά συνέπεια, μεγάλους απρόσμενους χρόνους διακοπής της παραγωγής. Σε αυτό το σημείο να αναφερθεί ότι έχουν γίνει μελέτες, οι οποίες καταλήγουν ότι τα Big Data analytics, μπορούν να μειώσουν τις βλάβες του παραγωγικού εξοπλισμού έως και 26% και να μειώσουν τον μη προγραμματισμένο χρόνο διακοπής κατά σχεδόν ένα τέταρτο.

ΒΕΛΤΙΩΣΗ ΤΩΝ ΔΙΑΔΙΚΑΣΙΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΤΗΣ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ
Σε ένα όλο και περισσότερο διασυνδεδεμένο περιβάλλον παγκοσμίως, οι διαδικασίες παραγωγής και η εφοδιαστική αλυσίδα είναι ένας πολύπλοκος τομέας. Οι προσπάθειες για τον εξορθολογισμό των διαδικασιών και τη βελτιστοποίηση της εφοδιαστικής αλυσίδας πρέπει να υποστηρίζονται από τη δυνατότητα εξέτασης κάθε στοιχείου διεργασίας και συνδέσμου αλυσίδας εφοδιασμού με λεπτομέρεια. Τα Big Data analytics παρέχουν στους βιομηχανικούς παραγωγούς αυτή τη δυνατότητα.

Με τα σωστά αναλυτικά στοιχεία, οι βιομηχανικοί παραγωγοί μπορούν να μελετήσουν κάθε τμήμα της διαδικασίας παραγωγής, καθώς και να εξετάσουν τις αλυσίδες εφοδιασμού με λεπτομέρεια, λαμβάνοντας υπόψη μεμονωμένες δραστηριότητες και εργασίες. Αυτή η ικανότητα εστίασης σε συγκεκριμένες διαδικασίες επιτρέπει στους βιομηχανικούς παραγωγούς να εντοπίζουν τυχόν σημεία συμφόρησης και να αποκαλύπτουν διεργασίες και εξαρτήματα με χαμηλή απόδοση. Τα Big Data analytics έχουν τη δυνατότητα να αποκαλύψουν, επίσης, πιθανές εξαρτήσεις, επιτρέποντας έτσι στους παραγωγούς να βελτιώσουν τις διαδικασίες παραγωγής και να δημιουργήσουν εναλλακτικά σχέδια για την αντιμετώπιση πιθανών παγίδων.

ΕΞΑΤΟΜΙΚΕΥΣΗ ΤΩΝ ΠΡΟΪΟΝΤΩΝ
Παραδοσιακά, η βιομηχανία επικεντρώνονταν στην παραγωγή σε μεγάλους όγκους και άφηνε τα εξατομικευμένα προϊόντα σε επιχειρήσεις που εξυπηρετούν την εξειδικευμένη αγορά. Τα Big Data analytics το αλλάζουν αυτό, αφού καθιστούν δυνατή την ακριβή πρόβλεψη της ζήτησης για εξατομικευμένα προϊόντα. Ανιχνεύοντας αλλαγές στη συμπεριφορά των πελατών, τα Big Data analytics μπορούν να δώσουν στους βιομηχανικούς παραγωγούς τον απαιτούμενο χρόνο, ώστε να παράγουν τα εξατομικευμένα προϊόντα σχεδόν εξίσου αποτελεσματικά με τα προϊόντα που παράγονται σε μεγαλύτερη κλίμακα. Είναι τέτοιες οι καινοτόμες δυνατότητες των εργαλείων αυτών, που επιτρέπουν στους μηχανικούς προϊόντων να συλλέγουν, να αναλύουν και να απεικονίζουν τα σχόλια των πελατών σε σχεδόν πραγματικό χρόνο.

Δίνοντας στους διαχειριστές των βιομηχανικών εγκαταστάσεων τα εργαλεία που χρειάζονται, για να κάνουν μια βαθιά βουτιά στις διαδικασίες, τα Big Data analytics τους επιτρέπουν να εντοπίσουν σημεία στη διαδικασία παραγωγής όπου μπορούν να εισάγουν προσαρμοσμένες διαδικασίες κάνοντας χρήση είτε in house δυνατοτήτων είτε αναβάλλοντας την παραγωγή, ώστε να επιτρέψουν στο ενδιάμεσο σε έναν εξωτερικό συνεργάτη να εκτελέσει τις εξατομικευμένες απαιτήσεις του πελάτη, πριν την ολοκλήρωση της διαδικασίας παραγωγής.

Αναφορικά με την άνοδο της μαζικής εξατομίκευσης, η ικανότητα αναβολής της παραγωγής δίνει στους βιομηχανικούς παραγωγούς μια νέα ευελιξία, καθως τους επιτρέπει να λαμβάνουν αιτήματα κατά παραγγελία. Η ικανότητα αναβολής της παραγωγής μπορεί να συμβάλει στη μείωση των επιπέδων των αποθεμάτων και τελικά στην αύξηση της αποδοτικότητας των εγκαταστάσεων. Μια βελτιωμένη διαδικασία παραγωγής δεν είναι μόνο ωφέλιμη για τον εαυτό της. Παράλληλα, δίνει στους παραγωγούς έναν τρόπο να διατηρούν την αποδοτικότητα κατά την εκτέλεση εξατομικεύσεων.

8 ΣΗΜΑΝΤΙΚΑ ΕΡΓΑΛΕΙΑ ΤΩΝ BIG DATA
Ποια είναι τα εργαλεία που χρησιμοποιούν με επιτυχία οι βιομηχανικοί παραγωγοί σήμερα για τη βελτιστοποίηση της απόδοσης του εξοπλισμού τους, τη βελτίωση των διαδικασιών παραγωγής και τη διευκόλυνση της εξατομικευμένης παραγωγής των προϊόντων;

Το Plant παρουσιάζει, τα οχτώ κύρια εργαλεία που χρησιμοποιούνται στη βιομηχανική παραγωγή και τα οποία είναι τα εξής:
1 Αποθήκευση δεδομένων. Το πρώτο βήμα για να λειτουργήσουν τα Big Data είναι να υπάρχει η ικανότητα συλλογής και αποθήκευσης πληροφοριών. Οι παραγωγοί χρησιμοποιούν εργαλεία αποθήκευσης δεδομένων για τη διατήρηση ζωτικών πληροφοριών σχετικά με τον εξοπλισμό, τις διαδικασίες παραγωγής και τις λειτουργίες της εφοδιαστικής αλυσίδας. Δεδομένα που μπορούν να αναλύσουν, ώστε πιθανά να οδηγήσουν σε βελτιώσεις στον εξοπλισμό, τις διαδικασίες παραγωγής και τις λειτουργίες της εφοδιαστικής αλυσίδας.
2 Εργαλεία εκκαθάρισης δεδομένων. Τα Big Data καταφθάνουν σε διάφορες μορφές από μια σειρά πηγών. Έρχονται σε δομημένες και μη δομημένες μορφές. Αυτό σημαίνει ότι για να καταστούν αξιοποιήσιμα, οι βιομηχανικοί παραγωγοί χρειάζονται έναν τρόπο να διασφαλίσουν την ποιότητα και την ακεραιότητα των δεδομένων. Χρειάζονται εργαλεία εκκαθάρισης δεδομένων που θα τους επιτρέπουν να μετατρέπουν μη τελειοποιημένες πληροφορίες σε ένα ευανάγνωστο, ενοποιημένο σύνολο δεδομένων που μπορούν να χρησιμοποιήσουν πολλοί ενδιαφερόμενοι. Χρειάζονται, επίσης, εργαλεία εκκαθάρισης δεδομένων για να τυποποιήσουν τα δεδομένα και να τα βάλουν σε μορφές, που μπορούν να χρησιμοποιηθούν από πολλές εφαρμογές και συστήματα.
3 Εργαλεία δημιουργίας προφίλ. Οι βιομηχανικοί παραγωγοί χρειάζονται διαφάνεια στις λειτουργίες παραγωγής και αλυσίδας εφοδιασμού και τα εργαλεία δημιουργίας προφίλ μπορούν να συλλέγουν πληροφορίες έως το επίπεδο μεταδεδομένων. Αυτό επιτρέπει στους κατασκευαστές να διατηρούν ένα απόθεμα κρίσιμων δεδομένων.
4 Εργαλεία εξόρυξης δεδομένων. Η επιτυχία στη βιομηχανική παραγωγή εξαρτάται από τη γρήγορη πρόσβαση σε πληροφορίες, ώστε να λαμβάνονται οι σωστές αποφάσεις στην αλυσίδα παραγωγής και εφοδιασμού. Τα εργαλεία εξόρυξης δεδομένων επιτρέπουν στους παραγωγούς να λαμβάνουν τις πληροφορίες που χρειάζονται, όταν τις χρειάζονται.
5 Εργαλεία χαρτογράφησης δεδομένων. Τα εργαλεία χαρτογράφησης δεδομένων είναι ιδανικά, για να βοηθήσουν τους βιομηχανικούς παραγωγούς να εντοπίσουν εξαρτήσεις και πιθανά σημεία συμφόρησης. Μπορούν, επίσης, να βελτιώσουν την ασφάλεια επιτρέποντας στους παραγωγούς να εντοπίζουν εύκολα τους κινδύνους.
6 Ανάλυση δεδομένων. Τα Analytics επιτρέπουν την καλύτερη λήψη αποφάσεων από τους βιομηχανικούς παραγωγούς μέσω πληροφοριών που προκύπτουν, από τον εντοπισμό μοτίβων, τη μέτρηση των επιπτώσεων τυχόν αλλαγών και την πρόβλεψη των αποτελεσμάτων. Η ικανότητα ανάλυσης των αστοχιών του εξοπλισμού, των σημείων συμφόρησης στην παραγωγή, των ελλείψεων στην αλυσίδα εφοδιασμού κ.λπ. οδηγούν επίσης στη λήψη σωστών αποφάσεων.
7 Οπτικοποίηση των δεδομένων. Τα εργαλεία οπτικοποίησης των δεδομένων παρέχουν μια εικόνα των αναλυτικών στοιχείων με απαράμιλλη σαφήνεια. Τα φιλικά προς το χρήστη γραφήματα και πίνακες επιτρέπουν στους βιομηχανικούς παραγωγούς να κατανοήσουν πιο εύκολα τα όσα θέλουν να πουν τα δεδομένα και να κάνουν τις απαραίτητες αλλαγές.
8 Παρακολούθηση δεδομένων. Η ποιότητα των δεδομένων είναι υψίστης σημασίας, επομένως οι διαχειριστές των βιομηχανικών μονάδων χρειάζονται έναν τρόπο να διασφαλίσουν τη συμμόρφωση με τα πρότυπα ποιότητας των δεδομένων, να επιβλέπουν την απόδοση του εξοπλισμού και να ελέγχουν την αποτελεσματικότητα της διαδικασίας παραγωγής. Τα εργαλεία παρακολούθησης επιτρέπουν στους κατασκευαστές να αυτοματοποιήσουν τις διαδικασίες διασφάλισης ποιότητας.

Τα παραπάνω είναι τα κύρια εργαλεία που χρησιμοποιούν οι διαχειριστές των βιομηχανικών μονάδων, για να αποδόσουν τα Big Data. Με την ανάπτυξη αυτών των εργαλείων, οι βιομηχανικές επιχειρήσεις μπορούν να μεγιστοποιήσουν την απόδοση των μηχανημάτων, να βελτιστοποιήσουν την παραγωγή, να βελτιώσουν την αλυσίδα εφοδιασμού και να δημιουργήσουν κέρδη παραγωγικότητας και απόδοσης.

Τα Big Data analytics, λοιπόν, μπορούν να κάνουν την ποιοτική διαφορά, ώστε μια βιομηχανία να επιτύχει σε ένα όλο και πιο περίπλοκο περιβάλλον. Όσοι επιζητούν ανταγωνιστικό πλεονέκτημα μέσω των Big Data analytics, θα πρέπει να αναζητήσουν ολιστικές λύσεις που ενσωματώνουν και διαχειρίζονται απρόσκοπτα κρίσιμα δεδομένα.

Κατά την αξιολόγηση αυτών των λύσεων, οι οι διαχειριστές των βιομηχανικών εγκαταστάσεων θα πρέπει να αναρωτηθούν εάν προσφέρονται συγκεκριμένες δυνατότητες στον τομέα τους, συμπεριλαμβανομένων τρόπων με τους οποίους η διαχείριση δεδομένων και η ενοποίηση μπορούν να τους βοηθήσουν να βελτιστοποιήσουν τις προβλέψεις, τη διαχείριση αποθεμάτων, τις προμήθειες, την ανανέωση αποθεμάτων και άλλες κρίσιμες λειτουργίες.

Με μια σωστά σχεδιασμένη πλατφόρμα ενσωμάτωσης και διαχείρισης δεδομένων, οι διαχειριστές των βιομηχανικών μονάδων μπορούν τελικά να αξιοποιήσουν τη στρατηγική αξία των δεδομένων τους, βελτιώνοντας τις λειτουργίες, αυξάνοντας τα κέρδη και ενισχύοντας τις σχέσεις με πελάτες, συνεργάτες και προμηθευτές. Η ενσωμάτωση των Big Data στην παραγωγή εν ολίγοις είναι κάτι που πρέπει να γίνει άμεσα.