6 kritiska utmaningar inom datadriven produktion

Vill du implementera datadriven produktion i din verksamhet? Då behöver du förhålla dig till sex verksamhetskritiska utmaningar.

6 kritiska utmaningar inom datadriven produktion

Under de senaste åren har begrepp som Machine Learning, Automation och Big Data på allvar gjort sitt intåg inom projektindustrin. Billiga sensorer har blivit alltmer utbrett och det är möjligheten att koppla samman dessa med verksamhetens befintliga system. På så sätt finns det stor potential att dra nytta av utvecklingen inom datadriven produktion, förutsatt att man kan hantera utmaningarna.

Vi har tittat på de sex områden som kommer att innebära en utmaning för din verksamhet vid övergång till en mer datadriven produktion.

1. Effektiv och snabb analys av data
Företag som Sandvik och Vestas har arbetat i flera år med att montera sensorer på maskiner och vindkraftverk för att samla in data och använda kunskap,  både för att förutse produktionseffektivitet och för att utföra service. Detta hjälper bland annat deras kunder att uppnå högre Overall Equipment Effectiveness.

Den största utmaningen har dock aldrig varit att samla in data - men däremot att dra ut information snabbt och effektivt, så att den kan användas i realtid.

Inom många produktionsverksamheter görs dataanalys fortfarande manuellt och i takt med att datamängderna ökar blir det allt svårare att utvinna användbar information. Därför måste du ha kontroll över automatisering av både analys och presentation av data.

Problematiken är särskilt relevant om du vill lyckas med att ansluta sensorer eller registrera processer på dina maskiner och produkter, så att du kan tillämpa den senaste kunskapen i realtid (eller nära realtid) som en del av styrningen av din produktion. Detta är nämligen en arbetsuppgift som inte kan göras manuellt.

2. Agilitet vs. effektivitet
I dagens produktionssystem är allt planlagt efter tid - produktionen planeras långt in i framtiden och baseras ofta på antaganden och prognoser för framtida försäljning av mer eller mindre generiska produkter.

I framtiden kommer vi att se att företag i högre grad anpassar varor specifikt efter sina kunder. Det kan exempelvis handla om DNA-anpassad medicin, skräddarsydda verktyg samt maskiner och livsmedel som  innehåller ingredienser från specifika leverantörer. Ett annat exempel är att verksamheterna kan vänta med att producera varorna tills ordern kommer in och på så sätt minska lagernivåerna. Sedan sätter de först igång produktionen när ordern är lagd. Detta sker på en alltmer individualiserad marknad där kunderna i större utsträckning än tidigare utformar sin identitet genom de produkter de konsumerar.

Det ger ett betydligt mindre strukturerat produktionsflöde. Ett större antal varianter av en viss produkt i kombination med färre enheter per order och det faktum att man vet aldrig exakt vilken order kommer in innebär att komplexiteten ökar exponentiellt. Det kräver betydligt mer data och kommunikation som snabbt ska behandlas i systemet innan en viss produkt är färdigproducerad. När du inte kan planera långt framåt riskerar du att produktionen blir långsammare och mindre effektiv.

De massproducerande företag som hittar en lösning som gör det möjligt att hålla produktiviteten och hastigheten uppe, även om de tillverkar skräddarsydda produkter till kunderna, får stora fördelar gentemot konkurrenterna. Detta har stor betydelse i en värld där kunden förväntar sig så snabba leveranser som möjligt.

3. Interaktiv och dynamisk data, istället för historisk
Idag kan de flesta IT-system använda input från varandra. Till exempel kan MES-systemet inhämta data från affärssystemet och använda den i produktion där den återigen överförs till automatiserade robotsystem. Affärssystemet får i gengäld ta emot data när MES-systemet har gjort sin del av uppgiften, så att den kan föras vidare i resten av verksamheten.

Data importeras och anpassas på så sätt mellan system i specifika datapunkter eller gränssnitt och består alltså inte av samma data. Detta inträffar eftersom maskinerna ursprungligen har designats separat och inte i syfte att samverka med andra system.

Det är därför som data också bara går en väg: framåt genom produktion. På så sätt uppstår död data, dvs. historisk data. Detta är av stor vikt när företagets produktion automatiseras. När fel upptäcks och produkten kasseras, eller när data justeras längre ner i systemet för att rätta till felaktigheter, går dessa korrigeringar inte tillbaka i systemet. Därför fortsätter den första etappen av produktionen att skicka ner defekta produkter genom systemet, tills någon gör en manuell justering eller upptäcker vad källan till felet är.

I värsta fall får du en produktionsanläggning som dagligen producerar produkter som konsekvent kasseras i kvalitetskontrollen. På så sätt får man en produktion som aldrig slutar, eftersom problemet inte åtgärdas och inte levererar det fastställda antalet godkända artiklar. Problemen upptäcks snabbt när du manuellt kan övervaka produktionen, men blir betydligt mer realistiskt när IT-systemen i högre grad får ta ansvar på egen hand.

För att skapa en verkligt automatiserad produktion måste du se till att fel som upptäcks senare i produktionen resulterar i att data kan föras fram och tillbaka genom systemet. Det ger dig möjlighet att identifiera var felen uppstår och stoppa eller justera produktionen tills felet hittas och problemet är åtgärdat.

Problemet med historisk data kan antingen lösas genom att köpa eller utforma program och maskiner som använder en gemensam datamodell inom hela produktion. I praktiken innebär detta att man kan använda och synkronisera samma data. Detta är dock den mest kostsamma investeringen och tekniskt sett ligger detta några år framåt i tiden. De som har kommit längst med utvecklingen arbetar därför med att utveckla och genomföra product lifecycle management middleware. Det gör det möjligt att övervaka och kontrollera produktionen och exempelvis göra ändringar i den data som ändrar sammansättningen av ingredienser i det första ledet av produktionen, när fel upptäcks i ett senare led.

4. Integration av Legacy-system
Om er verksamhet inte har startats under de senaste tio åren sitter ni troligtvis med ett stort antal äldre IT-system som inte är utformade för att integreras med andra system. Dessa system utför trots detta verksamhetskritiska funktioner, fungerar bra och är inte meningsfulla att ersätta - trots att det ofta finns en nyare modell.

Det är dock viktigt att ni förhåller er till hur ni kommer att integrera dessa system till nyare teknik som kommer med automatisering och Internet of Things. De företag som klarar av att skapa den bästa kombinationen av gamla och nya samt kommunikationen mellan dessa kommer att klara sig bra.

Det handlar dock lika mycket om att ha en kritisk blick på den befintliga IT-infrastrukturen och bedöma om ett system måste bytas ut tidigare än beräknat, eftersom nya trender och utveckling medför att det inte längre kommer att möta behoven.

Detta kräver en väl utarbetad roadmap för verksamhetens IT. Denna ska verka för en utveckling där man alltid lyckas ersätta och utveckla system för att hantera företagets IT-utveckling i förhållande till strategin. Samtidigt är det också viktigt att behålla agiliteten som gör det möjligt att testa och utnyttja nya tekniska möjligheter som kan optimera produktionen och verksamheten.

5. Användningen av mörk data
Nackdelen med Big Data är mörk data eller "Dark Data". Denna data blir inhämtad, men används aldrig av olika skäl. Antingen beror detta på att arbetet med att utvinna kunskapen har medfört alltför mycket manuellt arbete eller att ingen ännu har sett potentialen i dessa data.

Här gömmer sig ofta datamängder som går många år tillbaka i tiden och som ofta innehåller information om de unika förhållandena i bolaget. De som vet hur man extraherar kunskap och använder den aktivt för att effektivisera organisationen - eller för att hitta nya affärsmodeller och möjligheter – kan ofta skaffa sig insikter och kunskap som andra företag först måste testa som hypoteser från grunden. Det finns alltså en möjlighet att ligga steget före konkurrenterna, om du lyckas hitta värdefull kunskap.

Utmaningen är att balansera potentialen i data med de resurser som ska användas för att hitta den, ställt mot den strategiska inriktningen som företagsledningen har satt. Om du ägnar alltför mycket tid på att gräva fram insikter som inte finns går resurser till spillo. Men om du lyckas med att testa en mängd olika hypoteser och att hålla ögonen öppna för överraskningar är det möjligt att hitta guldkorn.

De som lyckas utnyttja mörk data, eller "Dark Data", kommer att hitta ett sätt som gör det möjligt att snabbt och effektivt testa flera hypoteser samtidigt. Det kan till exempel handla om att hitta algoritmer som automatiskt kan upptäcka intressanta siffror och samband som kan hittas i data.

6. Säkerhet, säkerhet, säkerhet
Säkerhet är redan nu en av de främsta utmaningarna som IT-ansvariga står inför. Utöver risken för DDoS-attacker, virus och stöld av affärshemligheter och konfidentiell information har risken för ransomware ökat under det senaste året.

Säkerhetsfrågan är särskilt viktig för tillverkande verksamheter. Integrationen av industriella styrsystem till andra system via internet öppnar upp för nya åtkomstvägar och ingångar som utomstående kan attackera. Till skillnad från din vanliga uppsättning av program, som under de senaste åren har testats och har raffinerad säkerhet mot inkräktare, är många av de tekniker bakom industriella styrsystem inte utvecklade med hänsyn till säkerhet. De har ofta utvecklats vid en tidpunkt då detta inte var en viktig fråga, eftersom systemen aldrig var avsedda för internet.

Därför saknar de ofta grundläggande säkerhetsinstallationer, såsom byten av lösenord och regler för godkännande av användare. Det är också enkelt för hackare att få åtkomst till systemen, antingen för att förstöra dem eller för att skaffa sig åtkomst till resterande system som verksamheten använder.