Machine learning
Crayon Bunch
162

Data-driven подход в промышленности: 6 этапов реализации и факторы неуспеха

Привет. На связи «Бета». И сегодня мы рассказываем о дата-ориентированном подходе в промышленности: как его применять, чтобы не было мучительно больно.

В закладки

С data-driven-подходом всё просто: управленческие решения основываются на объективном анализе данных. То есть история «я вот подумал» от руководителя трансформируется в «цифры не врут» от машинных аналитических систем. Так уже вовсю работают Uber, Walmart, Netflix, eBay и другие передовики непроизводственной сферы.

Но по сравнению с B2C и e-commerce, тяжелые индустрии более инертны.

Сейчас дата-ориентированный подход в промышленности – как стартап на ранней стадии: и хочется, и колется, и CFO не велит.

Чем больше компания, тем больше у неё процессов и данных. Их сложнее собирать, приводить к общему знаменателю, анализировать и делать правильные выводы. В итоге злополучные data-driven эксперименты часто заканчиваются провалом. Так стоит ли игра свеч?

Data-driven подход – хайп или необходимость

И то, и другое. Рынок Big-data технологий в обрабатывающей промышленности в 2019 оценивался почти в $1 млрд. с ежегодным приростом 30,9% до 2025. В нынешних условиях перепроизводства и борьбе за рынок производители готовы использовать любое конкурентное преимущество. И объективный анализ на основе данных – одно из таких.

Если вы CFO и читаете эту статью, то вот математический разбор разницы подходов к данным. Если коротко, то человек ошибался, ошибается и будет ошибаться. Потому что он субъективен, медлителен и склонен угождать себе и начальству. А те же нейронные сети, ML и машинные алгоритмы вообще, объективны и дают необходимую скорость внутренних изменений в бешеной конкурентной гонке.

так выглядит человек на фоне data-driven процессов

Для чего, собственно, данные?

Если коротко, то вы получаете только обоснованные прогнозы. Упрощенно схема выглядит так:

А можно сначала собрать, а потом спрашивать. Но это для рисковых пацанов)

Если в деталях, то анализ данных на производстве работает на 3 глобальных позитивных сдвига:

  • Снижается стоимость производства. Во многих аспектах: от прогнозирования сбоев оборудования до моделирования спроса на будущий продукт.

Например, анализ данных временных рядов от датчиков IoT может использоваться для прогнозирования поломки оборудования и выявления причин. В итоге снижается время простоя, а необходимые корректировки нивелируют проблему в будущем.

  • Повышается качество продуктов и процессов. Анализ больших данных позволяет отследить брак, выявить причины несоответствий и устранить их.

Как вариант, PPH (Profit-per-hour) аналитика отслеживает множество факторов, влияющих на конечное состояние продукта. Если что-то идёт не так – сразу можно понять причину.

  • Увеличивается скорость производства. Здесь речь о грамотном управлении запасами и цепочками поставок (сырья, оборудования, всего).

Датчики информируют о потребности в компонентах сотрудников разных подразделений. Скорость реакции помогает избежать простоев.

Как это всё работает?

Собственно, реализация data-driven-подхода на производстве требует терпения и некоторых манипуляций.

1. Сбор данных. Речь и машинном сборе доступных данных, и на это нужно время. Ну, и от предварительного анализа инфраструктуры на предмет доступных в конкретном случае данных, конечно, не уйти.

2. Хранение данных. Должна быть единая система, позволяющая хранить большие объёмы информации.

3. Очистка данных – точнее, приведение их к общему формату, устранение лишнего и выбор сопоставимых фрагментов. Для производственных компаний этот момент, наряду с объединением информации в единое целое, является самым проблемным.

4. Сопоставление и анализ данных. Собственно, ради чего все собирались. Это унификация данных и определение зависимостей, закономерностей, выявление потенциальных узких мест.

5. Визуализация данных – упрощает понимание цифр людьми и делает информацию доступной 24/7, например, в чат-боте.

6. Прогнозирование на основе данных. Планирование, в хорошем смысле слова.

А в жизни?

Пример реализации дата-ориентированного подхода показала компания Shell, которая внедрила аналитическую платформу для прогнозирования износа некоторых деталей. Инструмент Databricks в облаке Microsoft Azure помогает спланировать, когда приобретать детали, как долго их хранить и где размещать. В итоге инвентаризация вместо 48 часов занимает 45 минут – миллионы долларов экономии за год.

Вот ещё пример, из фарм. производства. Весь растительный материал склонен к естественной изменчивости, а лекарства из растений делаются ещё и в несколько этапов, т.е. сказать, что одна партия не похожа на другую, – ничего не сказать. Это знатно нервирует производителей, которым нужен в общем-то одинаковый продукт. Китайская компания Tasly – один из таких производителей. Несколько лет назад она обеспечила стабильное качество своей продукции после внедрения многомерного анализа данных и мониторинга своего производственного процесса в режиме реального времени.

Такой опыт есть и в России. Компания СИБУР уже апробировала data-driven подход на производстве полипропилена в Тобольске. Теперь, за счёт моделирования режимов работы оборудования, на то же количество продукции тратится меньше ресурсов. Кроме того, анализ данных позволяет прогнозировать поломки оборудования, которое обслуживается превентивно. Компания надеется увеличивать EBITDA за счёт цифровой трансформации на 10% ежегодно.

Факторы неуспеха

Есть несколько нюансов при реализации дата-ориентированных проектов, которые кажутся нам важными.

  • Анализ данных – важная часть подхода. Но не все данные одинаково полезны. Приоритезируйте их на ранних стадиях, чтобы потом не оказалось, что потратили время на сбор и работу с малозначимыми факторами.
  • Бизнес-цели таких проектов должны быть чёткими, и их нужно придерживаться всеми способами.
  • На начальных этапах создания промышленных AI-систем важнее сделать такие пилоты успешными, а не самими ценными с точки зрения скорости возврата инвестиций. Результат должен обеспечить понимание методологий работы с данными, а также задать нужный импульс рабочей группе.
  • Внутренний лидер, который определяет вектор работы с данными, критичен. Нет кросс-функционального лидера = нет импульса и data-driven чего бы то ни было.

Надеемся, тема работы с промышленными данными стала для вас немного понятнее. Если таки нет, пишите вопросы в комментариях или напрямую в Fb – будем анализировать зависимости и выявлять узкие места :)

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать
{ "author_name": "Crayon Bunch", "author_type": "self", "tags": [], "comments": 2, "likes": 0, "favorites": 4, "is_advertisement": false, "subsite_label": "ml", "id": 106255, "is_wide": true, "is_ugc": true, "date": "Wed, 12 Feb 2020 10:18:56 +0300", "is_special": false }
Создать объявление на vc.ru
МегаФон
Приложения с 5G и дополненной реальностью: чего ждать от студентов лаборатории Высшей школы менеджмента
Проектирование и создание цифровых MVP, консультации экспертов и оценка специалистов отрасли, реализация собственного…
0
2 комментария
Популярные
По порядку
0

Ну так следует всегда развивать свое производство и это касаеться любой сферы промышленности

Ответить
0

Не стоит забывать и про тот факт, что следует и вкладывать деньги в любое производство. Мы даже решили не экономить и купить качественные вихревые воздуходувки fpz https://promimport.info/partners/fpz/ , которые еще и по цене немного упали. 

Ответить

Прямой эфир