Прогнозная аналитика в промышленности
14 августа
Статьи

Перспективы больших данных

Как пишет Трэвис Корте в книге Специалисты по данным должны стать новыми заводскими рабочими (2013 год), большие данные готовят возможности для производителей оставаться конкурентоспособными в глобальной экономике.

Такие компании, как Ford и GM интегрируют огромное количеств данных из внутренних и внешних источников, от датчиков и процессоров, чтобы сократить затраты энергии, время производства и увеличить свою прибыль.

Даже малые предприятия видят преимущества для себя:

  • Большие данные все дешевле и дешевле хранить
  • Аналитическое программное обеспечение становится все более сложным и чаще используемым
  • Производители получили доступ к системам параллельной обработки данных

Там, где ошибки недопустимы каждый поворот шурупа имеет значение.

В заводском цеху

Компания Raytheon убедилась в этом в ходе внедрения системы управления производством, программного обеспечения, которое собирает и анализирует данные из заводских цехов.

Изучив эти данные, Raytheon смогла установить, что шуруп в одной из деталей должен быть повернут тринадцать раз. Если его поворачивают только двенадцать раз, появляется сообщение об ошибке и установка прекращается.

Как и другие производители, Raytheon выигрывает от того, что сложные роботы и автоматика заменили людей в заводских цехах. Машины со встроенными датчиками постоянно передают данные высокого качества.

После должного анализа эту информацию можно использовать для:

  • Прогнозного моделирования показателей выхода из строя оборудования
  • Рационализации управления запасами
  • Борьбы с энергонеэффективными компонентами
  • Оптимизации заводского пространства

В 2012 году Intel сэкономил 3 млн. долларов производственных затрат используя прогнозную аналитику для определения приоритетов проверок кремниевых чипов.

Интернет вещей

И это только внутренние данные. Представьте, если хотите, мир, где машины обходятся без людей и общаются друг с другом напрямую.

  • Системы отопления консультируются с каналами погоды, сотовыми телефонами и автомобилями, чтобы определить, когда они должны зажечь камин.
  • Тракторы используют данные со спутников и наземных датчиков, чтобы решить, сколько удобрений использовать на конкретном поле.

Этот мир называется Интернет вещей, концепция, которая уже стала реальностью. Считыватели, чипы и датчики радиочастотной идентификации (RFID) стали неотъемлемой частью промышленных объектов, и могут передавать друг другу данные по мановению руки.

GE особенно заинтересована в открывающихся возможностях. В 2013 году компания объявила, что она более чем вдвое увеличит предложения вертикально-специализированных пакетов аппаратного и программного обеспечения, предназначенного для связи между машинами и анализа этих данных.

Задача заключается в том, чтобы уменьшить количество незапланированных простоев промышленного оборудования (например, ветряных генераторов) и избежать возможных проблем. Вся хитрость в том, чтобы заставить говорить все эти объекты на одном языке.

Умное производство и НСПИ

В 2012 году администрация Обамы предложила идею Национальной сети производственных инноваций (NNMI), по образцу Институтов Фраунхофера в Германии.

Это предложение предусматривает организации государственно-частного партнерств между промышленностью, университетами и агентствами федерального правительства США. Эти партнерства будут сосредоточены на разработке и коммерциализации новых производственных технологий.

В 2012 экспериментальным институтом НСПИ стал Национальный инновационный институт аддитивного производства (NAMII), под руководством Национальным центра по оборонному производству и обработке. В 2013 году было объявлено о создании трех новых ИПИ, каждый из которых специализировался в отдельной области:

  • Цифровом производстве
  • Композиционных материалах
  • Источников энергии следующего поколения

Обходя препятствия

Однако производственному сектору рано открывать шампанское. Большая часть ее внутренних данных промышленников содержится в относительно структурированной среде – она по-прежнему сталкивается с рядом проблем:

  • Разнообразие: Информация, особенно неструктурированные данные, часто заточена в «бункерах» производителей. Это означает, что подразделения не обмениваются между собой важными данными.
  • Объем: Данные из человеческих источников (подрядчики, поставщики, дистрибьюторы, клиенты и т.д.) угрожают лишить аналитиков сна.
  • Скорость: Производственные цепочки поставок претерпевают быстрые изменения своей структуры и потока. Как указывает Уильям Толон, «чем более динамичны данные, тем труднее их анализировать».

Специалистам по данным также надо быть осторожными, чтобы не заблудиться в этом лесу. С таким количеством точек данных легко «обнаружить» корреляции и взаимосвязи, которых в действительности не существует.

Зная конец

Решение этих проблем, как говорят многие специалисты по данным, должно иметь четкую направленность. Аналитики должны знать, что они хотят искать, улучшать и изменять, прежде чем они, очертя голову, бросятся проект с большими данными. Данные - это невероятная ценность, но только если их используют должным образом.

Как пишет Майкл Ротшильд в своей статье от 2013 года, "Почему большие данные бессмысленны", вопросы, которые должны задавать специалисты по данным, выглядят следующим образом:

  • Какие бизнес-процессы или решения вы собираетесь улучшать?
  • Как эти решения повлияют на прибыльность, планирование мощностей и т.д.?
  • Что вы пытаетесь максимизировать (прибыль, рентабельность, доходы и т.д.)?
  • Какие показатели вы будете использовать для измерения прогресса?
  • Какие виды анализа вам необходимо провести для изучения данных?
  • Какие данные необходимо собрать, чтобы сделать это реальностью?

Риски и правила работы с данными. Вопросы конфиденциальности

Для регуляторов большие данные стали сигнальными флагами. Кто-то воображает себе мир, в котором машина говорит вашей плите, что приготовить на обед. Другие считают, что идея производителей хранить информацию о личных привычках клиентов - это оруэлловский кошмар.

В отличие от ЕС, в США нет ни одного закона по защите данных. Вместо этого есть мешанина из несвязанных нормативов. С увеличением количества датчиков и возрастания роли больших данных в обрабатывающей промышленности, вопросы, касающиеся информации будет звучать только громче:

  • Кто владеет правами на собираемые и анализируемые данные?
  • Какие обязанности есть у производителей относительно чувствительной или конфиденциальной информации?
  • Надежно ли хранится конфиденциальная информация?
  • Что происходит при вовлечении третьих сторон?
  • Должны ли производители играть активную роль в защите неприкосновенности частной жизни потребителей?

В этом дивном новом мире нет простых ответов.

История анализа данных в промышленности

«Заводская среда - это рай для специалиста по данным: они одновременно многообразны и относительно измеримы», – Korte Трэвис.

Промышленная революция породила несколько явлений: массовое производство, ухудшение состояния окружающей среды, улучшение прав трудящихся... и – аналитику.

Не успели появится первые заводы, а владельцы уже искали способы выжимать больше эффективности от производственного процесса. Умный предприниматель быстро сообразит, что количественный анализ - это сила.

Отец научного менеджмента

В середине XIX века молодой Фредерик Уинслоу Тейлор столкнулся с проблемой. Несмотря на свое квакерское богатство и яркий ум, у него было плохое зрение. Идти по стопам своего отца и становиться адвокатом не представлялось невозможным.

Но вместо того, чтобы промотать свое наследство, как сделал бы любой уважающей себя дилетант, Тейлор присоединился к массам. Он стал учеником рабочего пресса и машинистом на заводе гидрооборудования в Филадельфии.

После повышения в должности он стал разнорабочим и машинистом на Мидвэльском сталелитейном заводе, Тейлор начал замечать, что машины, и мужчины, которые их обслуживали, работали не эффективно.

Он понял, что ему нужно подкрепить свои наблюдения достоверными данными. Одна вещь привела к другой, и в результате появилось научное управление.

Возьмите его знаменитое исследование времени. Тейлор брал в руки секундомер и:

  • Выбирал заводской процесс
  • Разбивал его на составные части
  • Приравнивал каждую часть к одной сотой минуты

Изменялась ли ваша производительность из-за отсутствия перерыва? Была ли ваша лопата неправильного размера? Лодырничали ли ваши работники? Благодаря анализу данных Тейлор мог подсказать вам, какие задачи следовало подтянуть.

Увеличить производство, снизить потери времени

Советы, также, могли дать супруги Фрэнк и Лилиан Гилбрет, первые консультанты по менеджменту. В начале XX века, они ставили перед собой задачу помочь рабочим (и их работодателям) увеличить производство и уменьшить количество задач, связанных с потерей времени.

Именно Фрэнк Гилбрет первым предложил выделить хирургам помощников - т.н. «кэдди», которые бы подавали скальпели и губки, и это Гилбрет придумал метод, который военные используют для сборки/разборки их оружия в темноте. Он даже использовал кинокамеру, чтобы наблюдать, зафиксировать и рассчитать все малейшие движения работника.

Гилбреты верили в бесконечную историю. Каждая мелочь на рабочем месте должна постоянно ставиться под сомнение, к улучшениям следует стремится каждый час.

Производители автомобилей

Эти уроки не прошли даром для автопроизводителей. Конечно, Генри Форд был одним из самых известных первопроходцев.

Форд верил в измеримость:

  • По совету сотрудников он установил движущиеся ремни для сборки на заводе по сборке модели Ford T для ускорения процесса производства.
  • Он ввел жесткие требования и критерии качества на производстве деталей (снижение энергозатрат и времени на изготовление на 60- 90 процентов на процесс).

А т.к. черная краска на сборочной линии сохла быстрее всего, он высказал свое знаменитое изречение:

«Цвет автомобиля может быть любым, при условии, что он черный».

Не трать, да не будешь нуждаться

В Японии шли аналогичные изменения. В 1930 году Киитиро Тоёда, основатель Toyota, обнаружил проблемы в процессе производства двигателей. Слишком много средств уходило на устранение последствий ошибок в производственном процессе. Как и Тейлор, он стал анализировать и тщательно изучать каждый шаг для определения технических заминок.

Таичи Оно, руководитель компании, еще больше развил этот систематический подход. С учетом работы Форд он разработал Toyota Production System (TPS) - производственную систему Тойоты, предшественницу "производства без потерь".

Ее основными задачами было:

  • Сокращение отходов
  • Получение правильного качество уже с первого раза
  • Устранение несогласованности и перегруженности процессов

После того, как Оно зашел в американские супермаркеты, он понял, что фактические продажи, а не планы продаж должны управлять производственной линией Toyota. Toyota перешла к производству, в основе которого лежала сборка на заказ, а не планы. Их доходы выросли.

Послевоенный успех Японии потряс США и привел к появлению огромной волны интереса к производственным подходам, в основе которых лежали данные. В 1988 году Джон Крафчик опубликовал статью «Триумф системы бережливого производства», в которой рассказал американским коллегам о процессах и инструментах, которые использовала Toyota. Термин "Бережливое производство" производство прижился и получил распространение.

Методика "шести сигм"

Шел 1981 год. В эфире MTV звучит песня “Video Killed the Radio Star”, впервые был выявлен СПИД, а в компании Motorola сотрудники разрабатывали стратегию, получившую известность как метод "шести сигм".

Как и бережливое производство, метод "шести сигм" ставил перед собой цель устранения ошибок, минимизации колебаний и улучшения общего качества продукции. В его основе лежит идея, что каждый производственных аспект и бизнес-процесс может быть:

  • Измерен
  • Проанализирован
  • Проконтролирован
  • Улучшен

Более того, каждому проекту "шести сигм" ставилась количественная цель. Motorola использовала метод для:

  • Сокращения расходов
  • Уменьшения загрязнения окружающей среды
  • Увеличения степени удовлетворенности клиентов и т.д.

В 1995 году Джек Уэлч сделал метод шести сигм ключевой частью своей бизнес-стратегии в General Electric, что привело к всплеску его популярности в других компаниях. В наше время термин повсеместно используется в бизнесе и промышленности.