Få data til at arbejde for dig og skab flere forretningsmuligheder
Der kan være masser af indsigt i data, og der kan ofte skabes god værdi af den indsigt. Der er for eksempel et væld af IoT sensorer tilgængelige på markedet og det er enkelt at sætte dem i sving med at opsamle data fra eksempelvis produktionen. Når først data er tilgængelig, findes der en række glimrende kunstig intelligens og maskinlæringsværktøjer i Microsoft Azure suiten, der kan hjælpe med at skabe indsigt og værdi. Med god anvendelse af de værktøjer og sund fornuft er det enkelt at få startet værdiskabelsen. I denne artikel kan du finde lidt inspiration til at komme i gang.
Tag afsæt i virksomhedens forretningsmål
Der kan være masser af muligheder for datadrevne projekter i din virksomhed. Det mest oplagte er at tage afsæt i din virksomheds forretningsmål.
Vi skelner mellem tre typiske typer af dataorienterede projekter:
- Indsigtsfokuserede
- Effektivitetsfokuserede
- Forretningsnyskabende
Der er en naturlig sammenhæng mellem projekttyperne. De indsigtsfokuserede projektindsatser er en forudsætning for at kunne gennemføre de andre projekttyper, og den forretningsnyskabende projekttype fordrer oftest, at man har været igennem effektivitetsfokuserede projekter først. Med indsigten fra disse projekttyper er det nemmere at formulere mål og retning for forretningsudviklingen.
Det er en sund øvelse at lave scenarieplanlægning, hvor man forsøger at kvantificere effekten af de initiativer, man gerne vil sætte i værk. Man kan lave simple business cases i Excel, hvor man modellerer effekten af ændringerne. Erfaringsmæssigt er det ikke så vigtigt at have alle detaljerne på plads fra starten. Det vigtigste er, at man har taget stilling til de overordnede emner, der er i spil.
Produktionseffektivitet = profitabilitet
For fremstillingsvirksomheder er projekter med fokus på Operational Equipment Efficiency (OEE) KPI meget håndgribelige og et godt sted at starte. OEE er et standardiseret performancemål for hvor effektiv ens produktion er. Dette KPI kan bruges til at benchmarke performance internt i virksomheden, på tværs af teams, tid, business units og til en vis grad også bruges til benchmark mellem virksomheder. Produktionseffektivitet hænger tæt sammen med profitabilitet, og det er ikke kun noget der er interessant for medarbejdere i produktionsafdelingen; det bør interessere alle i virksomheden. Så hvordan kommer man videre med sådan et projekt?
Indsamling af data
Meget produktionsudstyr opsamler allerede en række datapunkter, og hvis ikke er det typisk en overkommelig opgave at konfigurere dataopsamlingen via en PLC (Programmable Logic Controller), som typisk bruges til at indstille og styre produktionsudstyret. I dag er det heller ikke en stor opgave at få data sendt fra PLC’ere til ”skyen”, og det kan gøres på en sikker måde, så dataopsamling og udveksling hverken forstyrrer eller kompromitterer sikkerheden omkring produktionen.
Hvilke data, der skal opsamles og hvor ofte, afhænger af formålet. Hvad angår dataopsamlingsfrekvens anbefaler vi, at man gør sig nogle erfaringer i en PoC; f.eks. kan det være fint at få hyppige målinger på spænding, strømforbrug og pumpetryk i en initial læringsfase, og hvis det viser sig, at der ikke er meget fluktuation i data, giver det oftest mening at reducere opsamlingsfrekvensen, når scopet eskaleres til det fulde produktionsudstyr. At slæbe rundt på unødigt store mængder data kan gøre rapporter sløve og øge omkostningerne .
Det kan give god mening at opsamle ”miljødata” såsom temperatur, relativ fugt og måske CO2, VOC samt PM10 og PM2.5 i produktionsmiljøer, da disse parametre ofte kan have stor indflydelse på produktionsudbytte; f.eks. afhænger fejlraten på maling af træemner meget af den relative fugt og mængden af partikelforurening i produktionsmiljøet.
Der kan være mange sammenhænge mellem produktionsdata og miljøvariable og de kan være svære at gennemskue, men det kan maskinlæring og kunstig intelligens værktøjer hjælpe med. Et skridt på vejen fra have rå data til kunne afdækkede sammenhænge via maskinlæring kan tages via værktøjet Time Series Insights som kan tilgås via Microsoft Azure. Dette værktøj er skabt til nemt at kunne præsentere og analysere store mængder af tidsserie data og man kan blandt andet bruge det til visuelt at søge korrelationsmønstre i data, for eksempel mellem fugt, partikel forurening og produktionsfejl.
Præsentation af data
Det samme data kan ofte bruges til flere forskellige formål. Det afhænger i høj grad af, hvordan og hvornår det præsenteres.
For eksempel kan en eventbaseret og alarmdrevet tilgang give rettidig indsigt til produktionsteamet, så de kan tage nødvendige actions i hverdagen. Med Power Apps fra Microsoft kan man hurtigt få stykket en app sammen, der præsenterer den nødvendige data på en telefon eller tablet, så det bliver nemt at have kritisk information med sig på produktionsgulvet.
Løbende produktionsdata kan også give en CFO et godt grundlag og supplement til finansielle forecasts. Det bruges i mange virksomheder som en fast del af den generelle ledelsesrapportering, så forretningskritiske beslutninger kan tages på et oplyst og opdateret grundlag og ikke på baggrund af mavefornemmelser. Power BI er et fleksibelt rapporteringsværktøj fra Microsoft, hvor det er nemt at få overblik ved hjælp af KPI’er og lave drill-down analyser for at se flere detaljer.
Tænk stort, start småt
Det kræver ikke nødvendigvis meget forberedelse eller mange ressourcer at komme i gang med at skabe indsigt og værdi med data. Sund fornuft og fokus på hvad der kan skabe konkret værdi for forretningen er et godt afsæt. Derudover er det vores klare anbefaling, at I får noget praktisk erfaring – det er der ingen erstatning for! Det er bedre at komme i gang med et konkret (mindre) scope end at forsøge at gabe over for meget og gå i stå i processen.
