Produksjonsdata er en gullgruve av informasjon. Progressive industribedrifter vet å utnytte dette og kapitalisere på dataene de har tilgjengelig. Det kan også du gjøre. Her får du vite hvordan du kommer i gang.

I dag er data en form for kapital, på samme nivå som økonomisk kapital, når det gjelder utviklingen av nye digitale produkter og tjenester. Det melder MIT og Oracle i en rapport de har utarbeidet i fellesskap.

Slik er det også i industrien. Virksomheter kan og bør nå benytte seg av produksjonsdata og avanserte analysemetoder for å ta et dypdykk ned i historiske data, identifisere mønstre og trender i ulike deler av prosessen og optimalisere de faktorene som gir størst avkastning. Tidligere isolerte data kan slås sammen, aggregeres og analyseres for ny innsikt i egen virksomhet, egne prosesser og egen produksjon.

Hvordan data kan gi verdi for industrien

Innsamling og evaluering av data fra en rekke ulike kilder for å forbedre beslutningstaking og optimalisere prosesser blir stadig vanligere blant industribedrifter. I dag kan industribedrifter aktivt bruke data for å realisere en rekke gevinster: Optimalisere produksjonen og øke effektiviteten, forutse ikke-planlagte stopp og redusere nedetid og øke produktkvaliteten og redusere produksjonskostnader.

Optimalisere produksjonen og øke effektiviteten

Enkelte virksomheter sitter ofte på betydelige mengder data lagret i ulike historiske databaser. Disse dataene blir sjelden brukt, ofte fordi de ikke er lett tilgjengelig for medarbeidere som trenger dem. Men de virksomhetene som henter fram de gamle dataene sine, og sammenstiller og analyserer dem, vil kunne identifisere mønstre som har betydelige effektivitetsgevinster.

For eksempel etablerte en afrikansk gullgruve en metode for å samle inn mer data fra sensorene sine og fikk informasjon om fluktuerende oksygennivåer i ekstraheringen. Etter å ha fikset dette problemet, økte de omsetningen med 3,7 prosent eller 20 millioner dollar årlig.

Forutse ikke-planlagte stopp og redusere nedetid

Kostnaden ved ikke-planlagte stopp i produksjonen er betydelige. Én studie viser at slike stopp utgjør nærmere 50 milliarder dollar for industrielle produksjonsbedrifter årlig. Aktiv innsamling og bruk av data kan redusere disse kostnadene.

Etter å ha opplevd en økning på 3,6 prosent i nedetid under produksjon, implementerte et globalt bioteknologifirma prediktiv analyse for å redusere antallet ikke-planlagte stopp. Nedetiden skyldtes viskositet i et av produktene på produksjonslinjen og medfølgende blokkering mellom rørledningen og reaktoren. Men firmaet hadde utfordringer med å finne en forklaring på feilen. Ved å analysere dataene fant de ut at spesifikke variasjoner i blandingen, destillasjonstiden og temperaturen forårsaket blokkeringen. Straks feilen var fikset, ble forekomsten av nedetid redusert med 83 prosent.

Øke produktkvaliteten og redusere produksjonskostnader

Vedlikehold, produksjon og produktkvalitet henger nært sammen. Innsamlet data fra produksjonen, kombinert med avanserte analysemetoder, er en effektiv måte å opprettholde påliteligheten og stabiliteten til produksjonssystemet og øke kvaliteten på produktene som produseres.

Intel har brukt avanserte analysemetoder for å forbedre kvalitetssikringen av prosessorene sine. Ved hjelp av prediktiv analyse har de redusert antallet tester de må utføre på prosessorene. Fremfor å kjøre 19 000 tester på hver prosessor, har de identifisert hvilke av testene som er viktigst og spart 3 millioner dollar i produksjonen av én enkelt produktserie.

Slik kapitaliserer du på dataene dine

Eksemplene jeg har skissert opp over, illustrerer potensialet til produksjonsdataene. Og alle industribedrifter kan oppnå lignende gevinster. Men for å bli en ekte datadrevet virksomhet, er det en del faktorer som må være på plass.

Innsamling av data

For å iverksette forbedringstiltak, må du samle inn data. Mangler du data, blir beslutningene basert på synsing og magefølelse. Samler du inn data, kan du verifisere at forbedringstiltakene faktisk har en effekt.

For å samle inn data må sensorteknologi installeres, slik at data som tidligere har vært låst fast på fabrikkgulvet kan løftes opp til overliggende systemer. Også eldre maskiner og utstyr kan kobles opp. Dette er ofte enklere å gjennomføre enn man tror. De fleste eldre maskiner har en kommunikasjonsport beregnet på programmering eller for å koble på et operatørpanel.

Les mer om IIoT og hvordan samle inn data>>

Lagring av data

Mange industribedrifter samler i dag inn betydelige mengder prosess- og produksjonsdata, og flere visualiserer dem i sanntid på skjermer. Men mange lagrer ikke dataene eller bruker dem kun for sporingshensikter, ikke som et middel for å forbedre driften. Data må lagres slik at du kan identifisere trender over tid, i et historisk perspektiv.

Interne data kan med fordel også kombineres med eksterne data for økt innsikt – kan for eksempel værdata gi forbedret innsikt i etterspørselen for produktene dine?

Visualisering av data

Visualisering av data er kritisk for å få dypere innsikt i virksomheten din. Det lar deg avsløre trender og mønstre i dataene dine og kan gi deg en ny forståelse av hva som foregår i prosessene dine og på fabrikkgulvet ditt.

God visualisering stiller imidlertid noen krav til dataene dine, og håndteringen av dem. For det første må data sammenstilles på tvers av siloer, systemer og avdelinger. For det andre må dataene organiseres slik at de lett kan relateres til hverandre.

Analyse av data

Industribedrifter kan bruke avanserte analysemetoder for å dykke ned i historiske data, identifisere mønstre og avsløre ukjente forhold mellom ulike steg i prosessen, og optimalisere faktorene som vil gi best utbytte.

Ifølge enkelte kilder blir kun 0,5 prosent av tilgjengelige data analysert av virksomheter, mens nærmere 33 prosent av all innsamlet data kan være nyttig å analysere. Det betyr at virksomheter unnlater å analysere 32,5 prosent av dataene som kan gi dem verdifull innsikt i forretningen.

Data for prediksjon

Som vi har vært inne på, kan data kombineres med kraftige prediksjonsmodeller, som maskinlæring. For eksempel kan maskinlæring forutse når maskiner er i ferd med å gå i stykker, tilpasse produksjonen deretter og automatisk generere en vedlikeholdsordre. Det vil bidra til å redusere antallet unødige stans og øke effektiviteten i produksjonen.

Maskinlæring kan også optimalisere prosessen, særlig der omgivelsene i produksjonen eller råvarene ofte forandres. Analysene vil fange opp mønstre i dataene og identifisere scenarier der produksjonen har best mulig ytelse, og søke etter å optimalisere prosessen deretter.  

Det finnes gull i dataene dine. Små ting du overser i dag kan vise seg å ha en stor økonomisk konsekvens for virksomheten din. Kapitaliserer du dataene dine i større grad enn du gjør i dag, er jeg sikker på at du vil tjene på det. Det er bare å komme i gang.

Interessert i å høre mer om verdien av data og hvordan komme i gang?