Έχοντας αναγνωριστεί από την INC. 5000 ως μια από τις ταχύτερα αναπτυσσόμενες εταιρείες κάθε χρόνο στον τομέα της και με εντυπωσιακό πορτφόλιο πελατών, η Blend360, βελτιστοποιεί την απόδοση των επιχειρήσεων μέσω προηγμένων αναλυτικών στοιχείων, δεδομένων και τεχνολογίας. Ο Δημοσθένης Κωστόπουλος, SVP στην ανάπτυξη λύσεων που βασίζονται σε δεδομένα για πελάτες της Blend360 στην EMEA, αναλύει τη φιλοσοφία της εταιρείας και πως συμβάλλει αυτή στο να κάνουν οι βιομηχανίες σημαντικά βήματα στον συνδεδεμένο, ψηφιοποιημένο και βασισμένο σε δεδομένα κόσμο του Industry 4.0.

Ποια είναι η Blend360 και ποια είναι η διείσδυσή της στην παγκόσμια αγορά;

Η Blend360 (www.blend360.com) είναι μια εταιρεία Τεχνητής Νοημοσύνης, επιστημονικής μέτρησης και μηχανικής ανάλυσης δεδομένων και λύσεων. Γεννήθηκε στην αιχμή προηγμένων αναλυτικών στοιχείων, δεδομένων και τεχνολογίας.
Σήμερα αριθμεί περισσότερους από 500 υπαλλήλους και τα τελευταία 5 χρόνια έχει αναγνωριστεί από την Inc. 5000 ως μία από τις ταχύτερα αναπτυσσόμενες εταιρείες κάθε χρόνο στον τομέα της. Το CAGR μας είναι περίπου 36% από το 2016. Πέρυσι το 2021 ο κύκλος εργασιών μας αυξήθηκε κατά 85%. Τα κεντρικά γραφεία βρίσκονται στο Μέριλαντ των ΗΠΑ, αλλά υπάρχουν επίσης γραφεία στη Νέα Υόρκη, στο Ντένβερ του Κολοράντο, στο Αϊντχόβεν της Ολλανδίας, στη Ζυρίχη της Ελβετίας και στην Ινδία. Το NPS [Καθαρή βαθμολογία υποστηρικτών] για το 2021 ήταν εντυπωσιακό (79%).

Ποιες λύσεις προσφέρετε;

Όσον αφορά στις δυνατότητές μας, επί του παρόντος εστιάζουμε σε πέντε βασικούς τομείς:
1. Μηχανική πλατφορμών και δεδομένων που περιλαμβάνει Ενοποιήσεις Συστημάτων και Συμβουλευτική Τεχνολογίας.
2. Επιστήμη δεδομένων και μετρήσεις (Τεχνητή Νοημοσύνη, Μηχανική Μάθηση, Τιμολόγηση, Ανίχνευση Ζήτησης, Οικονομετρική Μοντελοποίηση και Απόδοση).
3. Επιχειρηματική Νοημοσύνη, Dashboarding / Αναφορές και Οπτικοποίηση Δεδομένων.
4. Συμβουλευτική στρατηγικής (Ψηφιακός Μετασχηματισμός, B2B Μοντέλο ενεργοποίησης επιταχυνόμενων εσόδων, ABX, Ζητήσεις, Go-to-Market Programs & CX).
5. Αναλύσεις Εφοδιαστικής Αλυσίδας και Κατασκευών (Βελτιστοποίηση Χρονοδιαγράμματος Παραγωγής, Ολοκλήρωση Παραγγελιών, Σχεδιασμός Αποθεμάτων, Διαχείριση Απορριμμάτων, Ελλείψεις Αποθεμάτων, Χαρτογράφηση Λειτουργιών και Διαδικασιών, Πρόβλεψη Ζήτησης, Middle/Last Mile Optimization κ.λπ.).

Επίσης, διαθέτουμε τεχνογνωσία με όλες τις μεγάλες τεχνολογικές πλατφόρμες.Όσον αφορά τις δυνατότητες BI & Dashboarding, είμαστε εξοικειωμένοι με όλους τους τύπους εργαλείων και έχουμε βαθιά εμπειρία με πλατφόρμες όπως το PowerBI, το Tableau ή ακόμα και με πλατφόρμες ανοιχτού κώδικα όπως η Sigma.

Ποιο είναι το ανταγωνιστικό πλεονέκτημα της Blend360 σε σχέση με άλλες παραδοσιακές εταιρείες συμβούλων διαχείρισης;

Όπως ανέφερα παραπάνω, λειτουργούμε στην τομή δεδομένων, τεχνολογίας και αναλυτικών στοιχείων. Όλοι προερχόμαστε από τον κλάδο της βιομηχανίας και έχουμε βαθιά γνώση και εμπειρία του αντικειμένου. Κατανοούμε τη βασική αιτία των επίπονων σημείων και τις λειτουργικές προκλήσεις των πελατών μας και είμαστε σε θέση να προσφέρουμε τεχνικά ισχυρές λύσεις που είναι μοναδικές για τους πελάτες μας και τους παρέχουν πλεονέκτημα σε σύγκριση με τον ανταγωνισμό. Φέρνουμε μια ολιστική προσέγγιση στην επιχείρηση όπου, για παράδειγμα, πιστεύουμε ότι το μάρκετινγκ είναι μέρος των operation της επιχείρησης και αντίστροφα. Οποιαδήποτε δραστηριότητα μάρκετινγκ/προώθησης επηρεάζει τη ζήτηση και αυτό επηρεάζει την οργάνωση και τον προγραμματισμός της παραγωγής, τις πολιτικές διαχείρισης αποθεμάτων (ασφαλές απόθεμα/ελλείψεις αποθεμάτων) καθώς και τη διανομή από το εργοστάσιο στην αποθήκη και από την αποθήκη στο κατάστημα/τελικό πελάτη (αποδοτικότητα δρομολόγησης).

Πιστεύουμε ότι η σχεδίαση και παραγωγή τεχνολογικών πλατφορμών/μηχανισμών μέτρησης για την καταγραφή των δεδομένων σε όλες αυτές τις λειτουργίες από την κατασκευή (μέσω αισθητήρων) έως το μάρκετινγκ (π.χ. δεδομένα κουπονιών) και μέχρι το τελικό σημείο πώλησης (τελική πληρωμή στο κατάστημα ή ολοκλήρωση αγοράς στο ηλεκτρονικό κατάστημα) αποτελεί το κλειδί για τη μεγιστοποίηση της λειτουργικής αποτελεσματικότητας και τη βελτίωση του περιθωρίου κέρδους σας. Η αξιοποίηση των πραγματικών δεδομένων από το πεδίο δράσης και η αξιοποίηση αναλυτικών εργαλείων και τεχνικών από την επιστήμη της επιχειρησιακής έρευνας και οικονομετρίας, μας δίνει τη δυνατότητα να προσομοιώσουμε/μοντελοποιήσουμε τη δυναμική των συστημάτων παραγωγής/παράδοσής τους, ώστε να μετρήσουμε τη σχετική επίδραση οποιουδήποτε εξωγενούς σοκ στην εφοδιαστική αλυσίδα μας.

Ποια είναι τα οφέλη που αποκομίζουν από την υιοθέτηση τεχνολογιών αιχμής του Smart Manufacturing και ποια είναι η θέση της Blend360 σε αυτό το κομμάτι;

Μέχρι πριν από μια δεκαετία, ο καλύτερος τρόπος για να βελτιώσει μια βιομηχανία τις λειτουργίες της και να τις κάνει πιο ανταγωνιστικές ήταν να εφαρμόσει πρακτικές λιτής διαχείρισης. Αλλά καθώς αυτές οι πρακτικές έχουν γίνει πιο καθολικές, αποφέρουν λιγότερη διαφοροποίηση σε κόστος και ποιότητα. Τα εργοστάσια στην Ευρώπη και τη Βόρεια Αμερική δεν μπορούν να ανταγωνιστούν στην τιμή και στο κόστος εργασίας τα αντίστοιχα εργοστάσια στην Κίνα, το Μεξικό και τη Βραζιλία. Επιπλέον, πολλά από αυτά τα εργοστάσια χαμηλού κόστους έχουν υψηλά πρότυπα ποιότητας και μπορούν να κλιμακώσουν γρήγορα την παραγωγή τους. Πώς μπορούν λοιπόν οι βιομηχανίες από την Ευρώπη ή τη Βόρεια Αμερική να ενισχύσουν την παραγωγικότητά τους, να αυξήσουν την απόδοσή τους και να βελτιώσουν τα περιθώρια κέρδους τους; Καλώς ήρθατε στον κόσμο του Smart Manufacturing!

Μέρος της προσφοράς μας είναι να βοηθήσουμε τους πελάτες μας στον προγραμματισμό παραγωγής και στη διοίκηση επιχειρησιακών λειτουργιών χώρο να κάνουν σημαντικά βήματα στον συνδεδεμένο, ψηφιοποιημένο και βασισμένο σε δεδομένα κόσμο του Industry 4.0. Για παράδειγμα, όσον αφορά στο βιομηχανικό εξοπλισμό μιας επιχείρησης μπορούμε να πάρουμε δεδομένα λειτουργίας τόσο από νέες όσο και από παλαιού τύπου εργαλειομηχανές. Στην περίπτωση των εργαλειομηχανών παλαιού τύπου, εφαρμόζουμε κλασικές μεθόδους συλλογής δεδομένων, όπως σύνδεση καλωδίων στον πίνακα ελέγχου και προσθήκη PLC. Μόλις γίνει αυτό, τα δεδομένα λειτουργίας του μηχανήματος ρέουν από την εργαλειομηχανή στο PLC και μετά σε έναν διακομιστή. Με νέα μηχανήματα δεν το χρειαζόμαστε. Με το Ethernet και το Wi-Fi, μπορούμε να μεταφέρουμε δεδομένα ασύρματα και να τα στείλουμε στο cloud όπου μπορούμε να τα αναλύσουμε. Επί του παρόντος, βλέπουμε έναν αυξανόμενο αριθμό περιπτώσεων βιομηχανιών, οι οποίοι αξιοποιούν τεχνολογίες αιχμής που ενσωματώνουν εξόδους IoT ή ακόμα και οπτικούς αισθητήρες/ειδικές λύσεις μέτρησης για τη μεταφορά δεδομένων αναγνώσιμα από υπολογιστή σε έναν πύργο σημάτων και στη συνέχεια σε έναν τοπικό διακομιστή ή cloud που χρησιμοποιείται για την αποθήκευση όλων των σημάτων.

Οι περισσότερες από αυτές τις λύσεις μέτρησης βασίζονται στις βασικές αρχές των νόμων της φυσικής, καθώς και σε προηγούμενη γνώση που συνήθως αποκτάται μέσω των μηχανισμών αυτοματισμού και μέτρησης, απόδοσης λειτουργίας μιας μηχανής (closed loop feedback measurement mechanisms). Μπορούμε πλέον να συλλέξουμε όλα τα είδη δεδομένων από οποιοδήποτε σημείο σε ένα εργοστάσιο, ενσωματώνοντας όλα τα είδη αισθητήρων και μετατροπέων για τη μέτρηση φυσικών φαινομένων, όπως θερμοκρασία, κραδασμούς, πίεση, ροή, συγκέντρωση και πολλά άλλα.

Η συλλογή των δεδομένων πώς μπορεί να αξιοποιηθεί σωστά για τη βελτίωση των διαδικασιών και την αύξηση της παραγωγικότητας;

Αντλώντας απλώς αυτές τις πληροφορίες μπορούμε να χαρτογραφήσουμε τις διαδικασίες στο επίπεδο της παραγωγής και να μετρήσουμε την αποδοτικότητα παραγωγής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε αισθητήρες που στέλνουν σήματα στον πύργο κάθε δευτερόλεπτο περίπου για να προσδιορίσουμε για πόσο χρόνο λειτουργεί ένα μηχάνημα, να παρατηρήσουμε τις τάσεις λειτουργίας με την πάροδο του χρόνου και να δούμε πότε έχουν συμβεί βλάβες στο μηχάνημα και για πόσο καιρό. Αξιοποιώντας αυτό το μοναδικό σύνολο δεδομένων, είμαστε πλέον σε θέση να μετρήσουμε την παραγωγικότητα ενός μηχανήματος και να υπολογίσουμε KPIs, όπως η λειτουργική απόδοση μηχανήματος κ.λπ.

Υπάρχει τεράστιος όγκος δεδομένων όταν αναλύουμε κραδασμούς ή ανιχνεύουμε ακραία στοιχεία και βλάβες εργαλειομηχανών Χρησιμοποιώντας ιστορικά δεδομένα ανάλυσης, βελτιστοποιούμε τα χρονοδιαγράμματα συντήρησης, προκειμένου να διατηρήσουμε την απρόσκοπτη λειτουργία των εργαλειομηχανών. Έχοντας ανά πάσα στιγμή διαθέσιμη την ανάλυση των δεδομένων, οι χειριστές μηχανών, οι μηχανικοί και οι ομάδες διαχείρισης έχουν πλήρη εικόνα των λειτουργιών του εργοστασίου. Επομένως είναι σε θέση να εντοπίσουν τα προβλήματα και να προτείνουν λύσεις για να βελτιώσουν τις διαδικασίες και να ενισχύσουν την παραγωγικότητα.

Οι ίδιοι κανόνες ισχύουν και για τον κόσμο έξω από ένα εργοστάσιο. Για παράδειγμα, χρησιμοποιώντας έξυπνα συστήματα μέτρησης νερού, οι δήμοι εντοπίζουν διαρροές και αλλαγές στα πρότυπα κατανάλωσης νερού, ώστε να βοηθήσουν στο σχεδιασμό συντήρησης και να ανταποκριθούν άμεσα στη σπατάλη και απώλεια νερού από τους καταναλωτές ή στο δίκτυο διανομής νερού. Σύμφωνα με έρευνα του Harvard Business Review, περισσότερο από το 30% του πόσιμου νερού που παράγεται παγκοσμίως δεν φτάνει ποτέ στον πελάτη. Αυτό συμβαίνει λόγω διαρροών και έτσι αυτό το νερό δεν παράγει ποτέ έσοδα. Η αποτελεσματική μέτρηση σε συνδυασμό με την τεχνητή νοημοσύνη/Μηχανική εκμάθηση έχει τη μεγάλη δυνατότητα να μειώσει την ανάγκη για δαπανηρές πρωτοβουλίες για την επέκταση της επεξεργασίας νερού.

Ποιος ο ρόλος των ψηφιακών διδύμων στη μετάβαση των επιχειρήσεων στο Industry 4.0;

Σχεδιάζοντας το μέλλον, οι βιομηχανίες πρέπει να είναι αρκετά ευέλικτες και πρόθυμες να υιοθετήσουν νέες τεχνολογίες, προκειμένου να αξιοποιηθεί και να ενεργοποιηθεί η τεχνολογία Industry 4.0. Χρησιμοποιώντας δεδομένα, οι βιομηχανίες μπορούν να μάθουν πώς να αντιδρούν γρήγορα σε διαταραχές. Ένας συνηθισμένος τρόπος για να επιτευχθεί αυτό είναι η κατασκευή ψηφιακών δίδυμων που αντιπροσωπεύουν ένα εικονικό μοντέλο των διαδικασιών παραγωγής τους. Αυτή η γνώση και η διορατικότητα βοηθούν τους χειριστές μηχανημάτων και τους διευθυντές εργοστασίων να μειώσουν το χρόνο διακοπής λειτουργίας, να αντιδρούν σε καθυστερήσεις παραγγελιών πελατών, να επιλύουν ζητήματα ποιότητας και να λαμβάνουν τις σωστές αποφάσεις πιο γρήγορα. Τα ψηφιακά δίδυμα (digital twins) μπορούν επίσης να συμβάλουν στην αντιμετώπιση των προκλήσεων της εφοδιαστικής αλυσίδας με την κοινή χρήση δεδομένων με τους προμηθευτές και την αναδιαμόρφωση των λογαριασμών υλικών και των διαδικασιών παραγωγής. Αυτή η ικανότητα χαρτογράφησης και μοντελοποίησης της παραγωγικής ικανότητας είναι επίσης χρήσιμη όταν τα εργοστάσια σχεδιάζουν να προσθέσουν περισσότερο εξοπλισμό και γραμμές παραγωγής.

Who is who
Σε πρώτο πρόσωπο, η εντυπωσιακή πορεία του Δημοσθένη Κωστόπουλου, SVP στην ανάπτυξη λύσεων που βασίζονται σε δεδομένα για πελάτες της Blend360 στην EMEA.

“Ηγούμαι στην ανάπτυξη λύσεων που βασίζονται σε δεδομένα για πελάτες του BLEND360 στην EMEA ενσωματώνοντας δεδομένα, τεχνητή νοημοσύνη, Machine Learning και τεχνολογία. Έχω περισσότερα από 25 χρόνια εμπειρίας στη δημιουργία και την κλιμάκωση προϊόντων και υπηρεσιών που βοηθούν τους οργανισμούς στον τομέα της κατασκευής και των υπηρεσιών να δημιουργούν έσοδα από τα στοιχεία δεδομένων τους για την υποστήριξη της εταιρικής στρατηγικής τους. Εργάστηκα σε μεγάλες εταιρείες στο παρελθόν.

Πριν από την Blend360 ήμουν επικεφαλής του τμήματος ανάλυσης δεδομένων, επιχειρησιακής έρευνας, Marketing και Analytics στην Amazon στις ΗΠΑ που αποτελούνταν από Products Managers, Αναλυτές, Μηχανικούς δεδομένων/λογισμικού και επιστήμονες δεδομένων/έρευνας καθώς και οικονομολόγους. Η ομάδα μου κατασκεύαζε πλατφόρμες τεχνητής νοημοσύνης για τη μέτρηση των επιχειρησιακών αποτελεσμάτων και την αξιολόγηση της αποτελεσματικότητας των επενδύσεων της Amazon στον τομέα του marketing παγκοσμίως. Καθ’ όλη τη διάρκεια της καριέρας μου σχεδίασα αναλυτικές λύσεις και υλοποίησα projects σε περισσότερες από 80 από τις κορυφαίες εταιρείες του κόσμου (Fortune 100).

Σπούδασα στην Αθήνα πριν από πολλά χρόνια (Διπλωματούχος Μηχανολόγος Μηχανικός, Εθνικό Μετσόβιο Πολυτεχνείο στην Ελλάδα). Έχω μεταπτυχιακό στη Διοίκηση Επιχειρήσεων (Hofstra University, Frank G. Zarb School of Business στη Νέα Υόρκη). Το 2010 παρακολούθησα επίσης το Πρόγραμμα Ανάπτυξης Ηγεσίας στο Harvard Business School στη Βοστώνη, MA. Έχω 2 αγόρια [5 και 9] και μένω με την οικογένειά μου στη Νέα Υόρκη”.