Nhiều công ty đang gấp rút nắm lấy các công nghệ Internet vạn vật công nghiệp (IIoT) và phân tích công nghiệp ― nhưng họ thấy rằng tác động của các công nghệ biến đổi này bị hạn chế bởi những thách thức với dữ liệu. Các silo dữ liệu cũ thường tồn tại trong khắp các tổ chức, tạo ra những thách thức đáng kể để truy cập dữ liệu. Ngoài ra, hầu hết các kiến trúc dữ liệu của các công ty đã được xây dựng chỉ dành cho các hệ thống CNTT, bỏ qua tầm quan trọng và giá trị của dữ liệu được tạo ra trong các nhà máy và khu vực sản xuất. Hơn nữa, bản chất phân tán và các định dạng khác nhau của dữ liệu thực vật là thách thức đối với các nhóm CNTT không quen làm việc với các định dạng, khối lượng và tốc độ dữ liệu có tính duy nhất tương ứng với các hoạt động và quy trình công nghiệp.
2 xu hướng chính sử dụng dữ liệu trong sản xuất
Từ năm 2013, LNSResearch đã theo dõi tiến trình của ngành công nghiệp sản xuất từ việc đơn giản là nắm bắt các số liệu để đo lường hiệu suất đến việc áp dụng phân tích để giải quyết các vấn đề và thực sự thúc đẩy hiệu suất. Xu hướng này là một phần không thể thiếu trong cách chúng ta xác định Chuyển đổi công nghiệp (IX)(Xem thêm : Giới thiệu về Chuyển đổi công nghiệp (Industrial Transformation)
Trong giai đoạn này, các nhà sản xuất bắt đầu nhận ra giá trị của dữ liệu được tạo ra trong các nhà máy – hiểu rằng dữ liệu của nhà máy có thể được sử dụng để giải quyết các vấn đề kinh doanh cấp cao hơn của họ là tăng thông lượng, cải thiện chất lượng và giảm chi phí.
Tuy nhiên, đối với nhiều doanh nghiệp , việc sử dụng dữ liệu đó không kéo dài quá trình sản xuất. Đó là, dữ liệu không thể thấy được với các vai trò bên ngoài bốn bức tường của nhà máy và công ty không thể kết hợp nó với dữ liệu tài chính hoặc công ty để phân tích bổ sung. Đối với các công ty đã bắt đầu cung cấp khả năng hiển thị này và tích hợp dữ liệu đó vào các phân tích kinh doanh trên phạm vi rộng, kỳ vọng là kết hợp dữ liệu sản xuất, dữ liệu tài chính và thậm chí dữ liệu bên ngoài công ty, có thể mang lại hiệu suất cao hơn bằng cách phát hiện ra các cơ hội ẩn giấu để cải thiện nó .
Xu hướng thứ hai này đang đạt được đà trên nhiều ngành công nghiệp sản xuất. Phân tích cách các ngành cụ thể phản ứng với xu hướng này và tác động đến hoạt động kinh doanh của họ, cung cấp những hiểu biết độc đáo về hàng ngày hoạt động và các thực tiễn tốt nhất đang nổi lên đang thúc đẩy hiệu suất tài chính và hoạt động cao hơn.
Hạnh phúc thay, hai xu hướng này hiện đã đủ trưởng thành để kiểm tra tác động của chúng đối với hoạt động của một công ty và cắt dữ liệu đó theo ngành. Trong bài viết, chúng ta xem xét các ngành công nghiệp thực phẩm và đồ uống và hàng tiêu dùng đóng gói (CPG) và việc sử dụng phân tích công nghiệp của họ trong các nhà máy, và sự sẵn có và sử dụng dữ liệu của nhà máy để phân tích công ty và các hoạt động khác bên ngoài nhà máy. chúng ta cũng so sánh các số liệu hoạt động cốt lõi giữa các công ty đã áp dụng các xu hướng này và các xu hướng đã tạo ra bước nhảy vọt, để xác định các hoạt động bị ảnh hưởng nhiều nhất bởi việc áp dụng các Practice này.
Trong quá trình nghiên cứu, LNSResearch đã phân tích việc sử dụng các ứng dụng và phân tích IIoT thông qua lăng kính trong ngành thực phẩm và đồ uống và CPG. Các nhà điều hành trong các lĩnh vực đó nêu rõ ba ưu tiên tài chính và kinh doanh: doanh thu, tỷ suất lợi nhuận và chi phí. Những ưu tiên này nằm ở vị trí kề nhau đối với các nhu cầu và áp lực riêng của hai ngành này, dường như đòi hỏi đầu tư thêm vào công nghệ và hoạt động.
Các công ty thực phẩm và đồ uống / CPG sử dụng phân tích công nghiệp, và chia sẻ dữ liệu và phân tích rộng rãi, có hiệu suất tốt hơn đáng kể so với các công ty don don. Mỗi công ty thực phẩm và đồ uống / CPG phải cố gắng hiểu làm thế nào nó có thể sử dụng công nghệ mới nổi để đáp ứng nhu cầu cạnh tranh, tác động tiềm năng của phân tích và các công nghệ IIoT khác, và cách thực hành tốt nhất để sử dụng dữ liệu trên toàn doanh nghiệp có thể thúc đẩy hiệu suất hoạt động.
Data Model – Mô hình dữ liệu là gì và tại sao cần Data Model
Để đạt được những lợi ích của Chuyển đổi công nghiệp (Industrial Transformation) , đặc biệt là khi phân tích IIoT, mỗi công ty cần một mô hình dữ liệu chung bao gồm các tài sản, quy trình, hệ thống và phòng ban trong toàn bộ cấu trúc tổ chức. Một công ty không xác định mô hình dữ liệu chung cho các dự án IIoT của mình có khả năng sẽ bị mắc kẹt với các triển khai phân tích không bao giờ mang lại kết quả như mong muốn và không bao giờ mở rộng được. Mặt khác, một công ty tạo ra một kế hoạch tiêu chuẩn để sử dụng dữ liệu công nghiệp có thể đạt được những lợi thế cạnh tranh mới trên thị trường của mình và có thể khám phá các mô hình kinh doanh mới được kích hoạt bởi dữ liệu.
Một mô hình dữ liệu (Data Model) sẽ xác định mối quan hệ giữa các thực thể dữ liệu khác nhau trong toàn tổ chức và cung cấp phối cảnh để kiểm tra dữ liệu. Các mô hình dữ liệu đóng một vai trò thiết yếu trong bất kỳ giải pháp IIoT nào và đặc biệt quan trọng trong các phân tích công nghiệp hỗ trợ cho một dự án chuyển đổi.
Một mô hình dữ liệu phổ biến sẽ phải trải rộng các ứng dụng và nguồn dữ liệu của doanh nghiệp – trong trường hợp này, bao gồm cả nguồn dữ liệu CNTT và nhà máy. Nói cách khác, nó xác định tất cả các mối quan hệ dữ liệu và ý nghĩa tồn tại trong toàn tổ chức. Tuy nhiên, các công ty công nghiệp có những thách thức đặc biệt khi nói đến quản lý dữ liệu và mô hình hóa nó.
Xây dựng mô hình dữ liệu – Data Model như thế nào
Một bước cơ bản trong việc xây dựng một mô hình dữ liệu là ánh xạ các vị trí của dữ liệu và nguồn dữ liệu, có thể cực kỳ phức tạp đối với bất kỳ tổ chức công nghiệp nào. Bước này bao gồm thống nhất về thuật ngữ chung; hiểu lầm về những gì cấu thành nên Edge có thể dẫn đến sự nhầm lẫn và phức tạp không cần thiết.
Ví dụ, đối với doanh nghiệp quản lý CNTT, mọi thứ trong nhà máy có thể được coi là vị trí Edge, trong khi doanh nghiệp vận hành chỉ có thể remote các nhà máy và máy móc từ xa ở Edge. Nguồn dữ liệu và lưu trữ liên quan đến mọi thứ từ các thiết bị Edge, Đám mây và các nguồn và cơ sở dữ liệu bên ngoài.
Những câu chuyện về các vấn đề với việc xác định vị trí dữ liệu khi xây dựng mô hình dữ liệu rất là phổ biến. Trong một trường hợp, một công ty công nghiệp lớn đã không thể gắn các dữ liệu cảm biến vào các máy đúng nguồn gốc đến 60% các trường hợp. Giá trị của thông tin chi tiết được cung cấp bởi các phân tích đã được giảm hoặc loại bỏ trong trường hợp này. Và dữ liệu có thể cực kỳ có giá trị khi chạy phân tích kinh doanh có thể bắt nguồn từ các nguồn bên ngoài công ty. Ví dụ, dự báo kinh tế, mô hình thời tiết và chi phí vận chuyển có thể cực kỳ có giá trị nhưng có thể phụ thuộc vào nguồn dữ liệu bên ngoài.
Xem xét vị trí dữ liệu : Quyết định làm gì với dữ liệu cư trú ở các địa điểm khác nhau trong toàn doanh nghiệp là một cân nhắc quan trọng. Một số dữ liệu hữu ích nhất khi được sử dụng càng gần nguồn càng tốt. Ví dụ phân tích Edge để theo dõi máy theo thời gian thực. Dữ liệu khác hữu ích nhất khi được chuyển đến hồ dữ liệu hoặc hệ thống lưu trữ Đám mây để sử dụng kết hợp với dữ liệu khác. Nói chung, một mô hình dữ liệu tinh vi sẽ hỗ trợ cách tiếp cận phân tích lớp.
Một câu hỏi thường xuất hiện là: công ty có nên để cơ sở dữ liệu lớn ở các địa điểm từ xa để xử lý và chỉ cung cấp đường dẫn đến trong mô hình dữ liệu hay phải chuyển tất cả dữ liệu vào hồ dữ liệu của công ty? Câu trả lời sẽ phụ thuộc vào kế hoạch sử dụng dữ liệu, trong số những thứ khác; ví dụ, các thiết bị máy tính Edge có thể cần thiết để xử lý dữ liệu máy theo thời gian thực ở các địa điểm từ xa (để theo dõi và bảo trì dự đoán), nhưng cách tiếp cận này không đủ để phân tích kinh doanh sẽ kết hợp dữ liệu từ hệ thống nhà máy với hệ thống kinh doanh. Phân tích chạy trên các hồ dữ liệu kết hợp lớn có thể phù hợp hơn cho điện toán đám mây. Nhìn chung, các doanh nghiệp công nghiệp thực hiện phân phối rộng rãi các phân tích tại nhiều địa điểm.
Nhóm kỹ sư đa chức nặng : Nghiên cứu LNS khuyến nghị rằng các công ty nên tập hợp một nhóm kỹ sư vận hành đa chức năng, nhân viên CNTT, chủ sở hữu dữ liệu, và doanh nghiệp dùng cuối có thể cộng tác để xây dựng các trường hợp sử dụng được yêu cầu như bước đầu tiên hướng tới xây dựng mô hình dữ liệu. Bao gồm cả nhân viên IT và công nghệ vận hành (OT) đảm bảo rằng các chuyên gia trong từng loại dữ liệu sẽ có sẵn để đánh giá từng nguồn dữ liệu.
Case Study ngành F&B và CPG
Trong thế giới IIoT, việc sử dụng các phân tích công nghiệp là một trong những công nghệ mới được áp dụng rộng rãi nhất, một phần nhờ vào sự dễ sử dụng và có ROI nhanh chóng. LNSResearch đã thấy tỷ lệ áp dụng gần 60% trên toàn bộ sản xuất. Đáng chú ý, con số này cao hơn cả nền tảng quản lý hoạt động sản xuất (MOM) / hệ thống thực thi sản xuất (MES) (vẫn duy trì trong phạm vi 40% trong vài năm) và thậm chí cả các ứng dụng quản lý chất lượng, với tỷ lệ áp dụng khoảng 57%.
Trong lĩnh vực thực phẩm và đồ uống / CPG, những con số này thấp hơn nhiều – cũng như tỷ lệ chấp nhận cho tất cả các giải pháp phần mềm sản xuất khác ngoài kế hoạch và lập kế hoạch, và quản lý chất lượng.
Hầu như mọi ứng dụng được liệt kê ở trên đều được triển khai với tỷ lệ thấp hơn rõ rệt trong các lĩnh vực thực phẩm và đồ uống và CPG so với các thị trường công nghiệp khác. Lý do rất đa dạng, nhưng vì hai ngành công nghiệp tập trung này tập trung vào việc quản lý chuỗi cung ứng phức tạp và cải thiện tính linh hoạt để đáp ứng thị hiếu tiêu dùng khác nhau, các hệ thống doanh nghiệp cũ không phù hợp với yêu cầu kinh doanh cấp cao hơn của các nhà sản xuất thực phẩm và đồ uống và CPG.
Các trường hợp sử dụng phân tích IIoT nhiều nhất cho ngành CPG / Thực phẩm và đồ uống : Dự báo là cả số một và trường hợp sử dụng hàng đầu số bốn, cho nhà máy và mạng tương ứng. Trên thực tế, thực phẩm và đồ uống và CPG là những ngành công nghiệp duy nhất được dự báo là trường hợp sử dụng nhiều nhất. Việc tập trung vào các dự báo phù hợp với nhu cầu kinh doanh và tài chính khó khăn của các ngành đó, tập trung vào tăng trưởng, lợi nhuận và cắt giảm chi phí. Nhiều trường hợp sử dụng hàng đầu khác phản ánh các lĩnh vực công nghiệp khác, bao gồm thêm các chương trình cải tiến liên tục, hiệu suất hoạt động và cải thiện chất lượng.
Ai truy cập phân tích dữ liệu nhiều nhất ? báo cáo nghiên cứu dưới đây của LNSResearch chỉ rõ ra ai có quyền truy cập vào dữ liệu được phân tích cần thiết để đưa ra quyết định thông minh, kịp thời, một xu hướng thú vị xảy ra trong thực phẩm và đồ uống / CPG.
Kết quả : Analytics cải thiện đáng kể KPI
Theo các phản hồi khảo sát, khi nói đến hiệu suất hoạt động, có một tin cực kỳ tích cực cho những doanh nghiệp áp dụng phân tích IIoT. Các công ty trong ngành thực phẩm và đồ uống và CPG đã áp dụng phân tích IIoT và các công nghệ liên quan đang vượt trội so với các đối thủ không chấp nhận trong một số chỉ số hoạt động và tài chính quan trọng.
Trong các lĩnh vực thị trường nơi phân số tăng phần trăm trong KPI được coi là đáng kể, sự khác biệt lớn trong một số chỉ số hoạt động quan trọng nhất thực sự mở mắt. Cụ thể, mức tăng lợi nhuận ròng 115% cho những doanh nghiệp áp dụng phân tích IIoT so với những doanh nghiệp không chấp nhận cho thấy các công ty triển khai các công nghệ này cực kỳ tốt về mặt quản lý chi phí và vượt trội so với đối thủ về mặt tài chính cũng như hoạt động.
Ngoài ra, số lượng sản phẩm tiêu biểu cho mỗi nhà máy là một so sánh rõ ràng: 308 cho doanh nghiệp áp dụng so với chỉ 48 doanh nghiệp không chấp nhận phân tích IIoT. Các hoạt động tinh vi hơn quản lý nhiều sản phẩm hơn (và giới thiệu sản phẩm mới) đã phát hiện ra rằng họ phải dựa vào công nghệ tiên tiến để quản lý sự phức tạp ngày càng tăng của họ.
LNS Research phát hiện ra một quang sai: thời gian hoạt động giảm một vài điểm phần trăm cho những doanh nghiệp áp dụng công nghệ IIoT. Kết quả này có thể là kết quả của khối lượng công việc cao hơn của họ, hoặc vì số lượng thay đổi công việc cao hơn nhiều do số lượng sản phẩm cao hơn năm lần; sự phức tạp gia tăng trong các nhà máy này có thể dễ dàng chiếm một vài phần trăm chênh lệch.
Kết luận và Khuyến nghị
Các nhà sản xuất thực phẩm và đồ uống / CPG sử dụng phân tích công nghiệp, và chia sẻ dữ liệu và phân tích rộng rãi, có hiệu suất tốt hơn đáng kể so với các công ty không áp dụng. Đối với những công ty chưa bắt đầu trên con đường phân tích IIoT rộng rãi, những đề xuất này cực kỳ quan trọng; bất kỳ tổ chức nào trì hoãn tiếp tục áp dụng các công nghệ quan trọng (và việc sử dụng rộng rãi và khả năng hiển thị của dữ liệu đi kèm với việc sử dụng các phân tích nâng cao) có nguy cơ cao bị tụt hậu so với các đối thủ trong thực thi hoạt động.
Các công ty trong lĩnh vực CPG / thực phẩm và đồ uống – những công ty mới bắt đầu xem xét những lợi thế được cung cấp bởi tính phổ biến dữ liệu và phân tích công nghiệp, và những công ty tiếp tục triển khai doanh nghiệp – sẽ được hưởng lợi từ những khuyến nghị này.
CÓ KẾ HOẠCH CHO MỘT MÔ HÌNH DỮ LIỆU CHUNG: Xây dựng một mô hình dữ liệu chung trên toàn doanh nghiệp là một nhiệm vụ quan trọng, nhưng cần có thời gian. Các công ty tin vào giá trị của tính sẵn có rộng rãi của dữ liệu, bao gồm dữ liệu sản xuất, cần thành lập một nhóm để xác định và xây dựng mô hình dữ liệu; cần bao gồm các đại diện đa chức năng từ hoạt động công nghệ và CNTT. Mặc dù hầu như không thể bắt đầu lại từ đầu (trừ khi đó là công trình xây dựng nhà máy GREENFIELD), nhóm lập kế hoạch phải nhận ra rằng đó sẽ là một công việc cần tiến triển trong một thời gian. Doanh nghiệp có thể đạt được tác động ngay lập tức bằng cách chuyển sang một mô hình dữ liệu chung và bắt đầu kết hợp nhiều loại dữ liệu hơn vào một cách tiếp cận phân lớp.
Cũng lưu ý rằng các công ty lớn hơn có thể xem xét xây dựng mô hình dữ liệu lớp, trong đó các nhà máy hoặc bộ phận có thể xác định phiên bản riêng của mô hình dữ liệu doanh nghiệp; các công ty có thể tổng hợp hoặc kết hợp các mô hình cấp nhà máy này thành một mô hình doanh nghiệp thực sự. Những nỗ lực này có thể được coi là bước đầu tiên để hội tụ CNTT / OT, đây là một chỉ số khác về sự trưởng thành của Chuyển đổi Công nghiệp và là một yếu tố dự báo quan trọng cho sự thành công trong tương lai.
XÁC ĐỊNH CÁC TRƯỜNG HỢP SỬ DỤNG VÀ CÁC TRƯỜNG HỢP ĐỂ CHIA SẺ DỮ LIỆU VÀ PHÂN TÍCH DỮ LIỆU | LNS Research nghe những giai thoại về một số cách sử dụng phân tích IIoT rất sáng tạo và những câu chuyện về cải tiến quy trình và hoạt động từ các thành viên trong nhóm cá nhân không biết rằng dữ liệu họ cần để đưa ra quyết định thậm chí còn có sẵn. Sự hội tụ CNTT / OT có thể là một đóng góp đáng kể cho hiệu suất. Cũng lưu ý rằng việc sử dụng cách tính toán ROI và các chỉ số ROI sẽ liên tục phát triển, do đó, hãy xem xét lại các kế hoạch của công ty trên cơ sở hàng quý hoặc sáu tháng một lần.
VIẾT LẠI QUY TẮC TRUY CẬP DỮ LIỆU VÀ QUYẾT ĐỊNH DỰA TRÊN DỮ LIỆU : Nếu tổ chức hạn chế phân tích (và quyết định dựa trên phân tích) đối với người quản lý cấp cao hơn, hãy xem xét lại các quy tắc này. Hiệu suất hoạt động được cải thiện khi chính quyền ra quyết định tiến gần hơn – về thời gian và khoảng cách vật lý – đến điểm diễn ra quá trình sản xuất. Càng đi sâu vào một công ty trong hành trình Chuyển đổi công nghiệp, càng có nhiều khả năng trao quyền cho các nhà khai thác đưa ra quyết định. Khi sự thay đổi này xảy ra, những điều ngạc nhiên sẽ cải thiện thời gian và chất lượng, giảm phế liệu và chất thải, và tăng cường sự tuân thủ và an toàn. Quyền quyết định phân tán là một trong những đặc điểm nổi bật của Chuyển đổi công nghiệp và là một chỉ số rõ ràng về nơi một công ty nằm trong mô hình trưởng thành IX.
XEM XÉT CÁCH TIẾP CẬN PHÂN LỚP CHO MÔ HÌNH DỮ LIỆU VÀ PHÂN TÍCH, BAO GỒM ML / AI : Một mô hình dữ liệu được phân lớp có thể là cách nhanh nhất để đạt được những lợi thế mà phân tích IIoT mang lại. Nó có thể được kết hợp với mô hình phân tích phân lớp, hỗ trợ phân tích thời gian thực tại Edge và phân tích hoạt động (tận dụng mô hình dữ liệu thực vật) trong Đám mây. Cũng lưu ý rằng các công ty yêu cầu các loại giải pháp phân tích khác nhau cho các ứng dụng khác nhau; Phân tích cạnh có thể dựa trên các nguyên tắc đầu tiên hoặc các mô hình chẩn đoán đơn giản, trong khi thu thập thông tin vận hành từ việc kết hợp dữ liệu thực vật IIoT với các loại dữ liệu có cấu trúc, bán cấu trúc và không cấu trúc khác có thể yêu cầu phân tích nâng cao với lõi trí tuệ nhân tạo.
Nguồn : Industrial Transformation Resource Guide – LNS Research & GE Digital
