6 kritiske udfordringer i datadrevet produktion

Vil du implementere en mere datadrevet produktion i din virksomhed? Så er der 6 forretningskritiske udfordringer, du bliver nødt til at forholde dig til.

Der er en række udfordringer, som møder virksomheder, der vil automatisere deres produktion

Billedtekst: Vil du automatisere din produktion, er der nogle vigtige udfordringer, der skal løses

I de sidste par år har koncepter som Machine Learning, Automation og Big Data for alvor gjort sit indtog i produktionsindustrien. Og med udbredelsen af billige sensorer og muligheden for at forbinde disse til virksomhedens eksisterende systemer er der potentiale for at udnytte udviklingen inden for datadrevet produktion, hvis man formår at tøjle udfordringerne.

Vi har taget et kig på de 6 områder, som kommer til at udfordre din virksomhed, når du vil overgå til en mere datadrevet produktion.

1. Effektiv og hurtig analyse af data
I virksomheder som Sandvik og Vestas har man nu i flere år arbejdet med at montere sensorer på maskiner og vindmøller for at indsamle data og udnytte den viden til at forudse både effektivitet i produktionen, og hvornår der skal udføres service. Det hjælper blandt andet deres kunder med at opnå en højere Overall Equipment Effectiveness.

Den største udfordring har dog aldrig været at indsamle data – men derimod at trække viden ud hurtigt og effektivt, så det kan anvendes i realtid.

I mange produktionsvirksomheder foregår dataanalyse stadig manuelt, og med de stigende mængder af data bliver det kun sværere og tungere at udvinde brugbare informationer. Derfor skal du have styr på automatiseringen af både analysen og præsentationen af data.

Problematikken bliver især relevant, hvis I vil have succes med at koble sensorer eller registrere processer på jeres maskiner og produkter, så I kan anvende den nyeste viden i realtid eller nær-realtid som en del af styringen af jeres produktion. For det er en arbejdsbyrde, der ikke kan klares manuelt.

2. Agilitet vs. effektivitet
I dagens produktionssystemer bliver alt planlagt efter tid – produktionen planlægges langt ud i fremtiden og baseres ofte på antagelser og forecast om fremtidige salg af mere eller mindre generiske produkter.

I fremtiden vil vi se, at virksomheder i højere grad tilpasser varer særligt til deres kunder (som DNA-tilpasset medicin, specialfremstillede værktøjer og maskiner og fødevarer med ingredienser fra særlige leverandører for at nævne et par eksempler) eller venter med at producere varen, til ordren ruller ind, for at mindske lagerbinding. Derfor kan du først starte produktionen, når ordren er afgivet. Det sker i et marked, som i stigende grad individualiseres, og hvor kunder i højere grad end tidligere skaber deres identitet gennem de produkter, de vælger i deres hverdag.

Det giver et meget mindre struktureret produktionsflow. Det langt større antal varianter af et givent produkt koblet med færre enheder pr. ordre og det faktum, at du aldrig ved, præcis hvilken ordre der ruller ind, betyder, at kompleksiteten stiger ekspotentielt. Det kræver langt mere data og kommunikation, som hurtigt skal behandles i systemet, før en given vare er færdigproduceret. Dermed risikerer du både at gøre produktionen langsommere og mindre effektiv, når du ikke kan planlægge langt ud i fremtiden.

De masseproducerende virksomheder, der formår at finde en løsning, hvor de holder produktiviteten og hastigheden oppe, selvom de specialfremstiller varen til kunden, får store fordele i forhold til konkurrenterne i en verden, hvor kunden forventer levering hurtigst muligt.

3. Interaktive/dynamiske data frem for døde data
I dag er det standard i langt de fleste it-systemer til virksomheder, at de anvender input fra hinanden. Eksempelvis indhenter MES-systemet data fra ERP-systemet og bruger det i produktionen, hvor det igen overføres til automatiserede robotsystemer. ERP-systemet får til gengæld data tilbage, når MES-systemet har udført sin del af opgaven, så det kan videreformidles i resten af virksomheden.

Data importeres og tilpasses på den måde mellem systemer i særlige datapunkter eller snitflader og er altså ikke de samme data. Det sker, fordi maskinerne oprindeligt er designet hver for sig og ikke med henblik på at snakke sammen med det andet system.

Derfor går data også kun én vej: frem igennem produktionen. Og dermed bliver de det, vi kalder døde data. Og det har stor betydning, når virksomhedens produktion automatiseres. For når der registreres fejl, og produktet kasseres, eller data tilpasses længere nede i systemet for at rette op på fejl, går disse rettelser ikke med tilbage i systemet. Derfor vil de første led i produktionen fortsætte med at sende fejlbehæftede produkter ned igennem systemet, indtil nogen manuelt foretager en justering eller opdager, hvad kilden til fejl er.

I et worst case-scenario får du på den måde et produktionsanlæg, som i hele dage kan producere produkter, der konsekvent kasseres i kvalitetskontrollen. Og dermed får du en produktion, der aldrig stopper, fordi problemet ikke løses, og der ikke kommer det fastsatte antal godkendte varer igennem. En problemstilling, der hurtigt opdages, når du manuelt overvåger en produktion, men som bliver langt mere realistisk, når it-systemerne i højere grad selv får ansvaret.

For at skabe en ægte automatiseret produktion bliver du nødt til at sikre, at fejl, der registreres længere fremme i produktionen, resulterer i, at data føres tilbage gennem systemet, så man her kan identificere, hvor fejlen opstår, og stoppe eller tilrette produktionen, indtil fejlkilden (eksempelvis en ødelagt maskine eller støbeform) er fundet, og problemet er løst.

Problemet med døde data kan enten løses ved at anskaffe eller designe programmer og maskiner, som bruger samme datamodel på tværs af produktionen og derfor i praksis kan anvende og synkronisere samme data. Dette er dog for de fleste både en bekostelig investering og teknologisk noget, der ligger en del år fremme i tiden. Derfor arbejder de, der er længst fremme, med at udvikle og implementere product life-cycle management middleware. Middlewaren kan her monitorere og kontrollere produktionen og eksempelvis foretage ændringer i data, som ændrer ingredienssammensætningen i de første led af produktionen, når fejl opdages i senere led.

Hvilket bringer os til …

4. Integrationen af Legacy-systemer
Medmindre I som virksomhed er opstået inden for de seneste 10 år, vil I højst sandsynligt have en stor gruppe af ældre it-systemer, der ikke er designet til at integrere til andre systemer, men som ikke desto mindre både udfører kritiske funktioner for virksomheden og fungerer godt, og som det derfor som udgangspunkt ikke giver mening at udskifte – selvom der ofte findes en nyere model.

Det er dog vigtigt, at I forholder jer til, hvordan I vil integrere disse systemer til den nyere teknologi, som følger med automations- og Internet of Things-bølgen. Her vil de virksomheder, der formår at skabe det bedste mix af ældre og nye systemer og kommunikationen mellem dem, stå stærkt.

Det handler dog i lige så høj grad også om at tage et kritisk kig på den eksisterende it-infrastruktur og vurdere, om et system skal udskiftes før estimeret, fordi nye trends og udviklinger betyder, at det ikke længere vil kunne udfylde rollen.

Det kræver et stærkt it-roadmap at arbejde sig frem mod en udvikling, hvor man hele tiden formår at udskifte og udvikle systemer for at styre virksomhedens it-udvikling i forhold til strategien, men samtidig beholde en agilitet, der gør en i stand til at teste og udnytte nye teknologiske muligheder til at optimere produktionen og forretningen.

5. Udnyttelsen af mørke-data
På skyggesiden af Big Data finder du mørke-data eller "Dark Data" – data, som bliver indsamlet, men som af den ene eller anden grund aldrig er blevet brugt til noget, enten fordi arbejdet med at udvinde viden har været for tungt manuelt, eller fordi ingen endnu har set potentiale i disse data.

Her gemmer der sig ofte datasæt, der rækker mange år tilbage, og som ofte indeholder informationer om unikke forhold i virksomheden. Og de, der forstår at udvinde viden og bruge den aktivt til at effektivisere organisationen – eller finde nye forretningsmodeller og -potentialer – vil ofte kunne opnå indsigt og viden, som andre virksomheder først skal ud at teste fra bunden som hypoteser. Dermed er der et stort potentiale for at overhale konkurrenterne, hvis man formår at finde frem til værdifuld viden.

Udfordringen er at balancere potentialet i data med de ressourcer, der skal bruges på at finde dataene, holdt op mod den strategiske retning, som virksomhedens ledelse har sat. Bruger I for meget tid på at grave efter indsigt, som ikke eksisterer, går ressourcerne tabt. Men formår I at teste en række forskellige hypoteser og holde øjnene åbne for overraskelser, kan der gemme sig guld i det store datahav.

De, der får succes med at udnytte mørke-data, vil finde en metode, hvor de hurtigt og effektivt kan afprøve en masse hypoteser samtidig – eksempelvis ved at finde algoritmer, der automatisk kan finde interessante tal og korrelationer frem i data.

6. Sikkerhed, sikkerhed, sikkerhed
Sikkerhed er allerede nu en af de udfordringer, som it-ansvarlige i landets virksomheder i den grad bliver udfordret på – og med god grund. For ud over risikoen for DDoS-angreb, virus og tyveri af forretningshemmeligheder og fortrolige oplysninger har især ransomware inden for det seneste år repræsenteret en stigende risiko.

Men ét punkt skal have særligt fokus for produktionsvirksomheder. For med integrationen af industrielle kontrolsystemer til andre systemer via internettet åbnes der nu for helt nye adgangspunkter og indgange, som udefrakommende kan angribe. Og i modsætning til jeres gængse programpakke, der gennem de sidste mange år er blevet testet og har fået forfinet sikkerheden mod udefrakommende, er mange af teknologierne bag de industrielle kontrolsystemer ikke blevet udviklet med hensyn til sikkerhed – ofte er de nemlig udviklet på et tidspunkt, hvor dette ikke var en primær bekymring, da de aldrig var tiltænkt adgang til internettet.

Derfor har de ofte heller ikke de basale sikkerhedsinstallationer, som udveksling af passwords og regler for godkendelse af brugere, og det gør det nemt for hackere at tilgå systemerne og enten ødelægge dem eller få adgang til resten af virksomhedens systemer gennem dem.