11 ting du kan bruge Machine learning til i produktionsvirksomheder

Digitale muligheder har allerede ændret måden, vi driver virksomheder på. Og i fremtiden går det kun hurtigere. Her er 11 ting, du kan bruge machine learning til i produktionsvirksomheder.

11 ting, du kan bruge machine learning ti

Internet of Things og kunstig intelligens er trends, der allerede nu ændrer måden, man bruger it på i erhvervslivet. For de fleste virksomheder er der imidlertid en række lavthængende frugter, som endnu ikke er blevet plukket.

Grundlaget for disse trends er dog allerede på plads: Machine learning – eller avanceret dataanalyse, som det også kaldes. Og du kan forholdsvis hurtigt komme i gang med at udvinde viden af dine data, som rækker langt ud over de resultater, et standard business intelligence-setup kan give jer.

Her er 11 ting, du kan bruge avanceret dataanalyse til i produktionsvirksomheder:

1. Statistisk forecasting integreret i Sales and Operations Planning
S&OP-processen (Sales and Operations Planning) er en kerneproces i mange procesorienterede produktionsvirksomheder, da forecastet ofte driver en lang række downstream-aktiviteter som indkøbs- og produktionsplanlægning, planlægning af marketingaktiviteter etc.

Er jeres forecast upræcist, har det derfor en lang række følgevirkninger i form af omkostninger til blandt andet høje lagerbindinger og mistet salg.

I mange produktionsvirksomheder er S&OP-processen ofte baseret på manuelle input fra forskellige afdelinger og medarbejdere med forskellige erfaringsgrundlag og personligheder, og estimaterne kan derfor svinge fra meget positive estimater til mere konservative bud.

Ved at implementere statistiske forecast som supplement i S&OP-processen bliver I i stand til at korrigere jeres forecast, øge præcisionen og åbne døren for en mere effektiv udnyttelse af virksomhedens ressourcer.

2. Præventiv vedligeholdelse
Nedbrud i produktionsapparatet eller fejl på kundens materiel kan være en omkostningstung affære, hvis din virksomhed har vedligeholdelsesansvaret. Ud over selve omkostningen til udbedring af problemet kan følgeomkostningerne som mistet omsætning og betaling af overarbejde være betragtelige.

Analytics kan bruges til at analysere påvirkninger og identificere, hvilke individuelle komponenter der med høj sandsynlighed vil gå i stykker i den kommende periode – og hvorfor.

I en virksomhed som Vestas bruger de eksempelvis sensorer til at måle hastighed, antal omdrejninger og vejrets påvirkning for at forudse, hvornår der skal udføres service på vindmøllerne. Ud over at forhindre en lang række nedbrud giver informationerne også mulighed for at optimere den løbende planlægning af service og vedligeholdelse.

3. Root cause-analyse af maskinnedbrud
Hvor præventiv vedligeholdelse giver serviceorganisationen mulighed for at forudsige, hvornår noget sker, er formålet med en root cause-analyse at give udviklings- og produktionsafdelingerne indblik i, hvorfor det sker.

Ved at bruge root cause analyser bliver du i stand til at bruge større datamængder i analysearbejdet, og dermed får du muligheden for at opdage og arbejde med mere komplekse sammenhænge for at finde årsagen til fejl i maskiner og materiel.

4. Varekurvsanalyser
Produktionsvirksomheder, der sælger til detailhandlen, er for det meste afhængige af, hvordan salget går i den enkelte detailhandelskæde og i den enkelte butik. Derfor kan det ofte betale sig for produktionsvirksomheden at skabe et tættere samarbejde med detailkæder om deling af data.

Ud over at give mere præcise input til forecasting-processen kan data om, hvilke produkter der købes sammen med virksomhedens varer, give nye informationer om, hvordan du kan markedsføre dine varer, og hvilke typer af sammenhænge og butikker der skaber størst salg.

Varekurvsanalyser kan på den måde være med til både at effektivisere produktionen, minimere unødvendig lagerbinding og øge omsætningen.

5. Lageroptimering
Arbejder du i en produktionsvirksomhed, kender du udfordringen ved at have store mængder kapital bundet i dit varelager. Det gælder både råvarer, færdigvarer og eventuelle servicekomponenter.

Et stort lager er dog ingen garanti for, at du har de rette varer tilgængelige på det rigtige tidspunkt. Og en suboptimal administration af dit lager kan på den måde være skyld i både store mængder bunden kapital, mistede salgsmuligheder, kassering af gamle varer og omkostninger til misligholdte kontrakter.

Ved at bruge avancerede analysemetoder bliver du skarpere på, præcis hvilke råmaterialer eller varer du skal have på lager på et givent tidspunkt – og jo længere du lader analysen køre, jo mere præcis bliver den. På den måde kan du blandt andet tage højde for:

  • Omkostninger til råvarer
  • Lead time
  • Forventet/forecastet salg
  • Ønskede servicegrader
  • Analyser af tidsfølsomheden på bestilling af varetyper
  • Leveringstider mellem centrale og decentrale lagre.

6. Optimering af distribution
Ud over kapital bundet på lageret har produktionsvirksomheder for det meste også væsentlige omkostninger til distribution både internt og eksternt, når varer skal distribueres mellem lokationer og gennem salgskanaler. Med analytics kan du optimere din distribution.

Eksempelvis kan der være penge at spare ved at optimere ruten fra produktionsbåndet, til varen er i hånden på kunden. En anden metode kan være at optimere fordelingen af varer mellem lastbiler og varevogne, der bringer varer ud til kunder.

7. Analyse af servicerapporter
For mange produktionsvirksomheder er eftersalg af serviceaftaler en væsentlig del af den økonomiske model. Ud over at optimere, hvornår der skal ydes service med præventiv vedligeholdelse, hvorfor fejl opstår med Root-cause analyser, og hvilke dele du skal have på lager, kan du med analyse af servicerapporter eksempelvis identificere mønstre i fejltyper og servicekald og optimere din planlægning af service.

8. Analyse af garanti-indsigelser
Produktionsvirksomheder er underlagt både lovgivning vedrørende garanti og de individuelle aftaler, virksomheden indgår med kunden. De fleste virksomheder har dog også oplevet, at en del af omkostningerne til reparationer under garantien skyldes bedrageri fra kunden.

Med analytics kan man opsætte en overvågning, der kan være med til at udpege og afsløre eventuelle forkerte indsigelser. Eksempelvis ses det blandt japanske bilproducenter, der ved at anvende data udbetaler langt færre penge under garantiordninger end fx deres amerikanske modstykker, fordi de er bedre til at afsløre falske anmeldelser.

9. Omsætningsforecast
Strategiske beslutninger på den lange bane og planlægning af store beslutninger, som fx åbning og lukning af fabrikker, bliver baseret på forventninger til den fremtidige udvikling i markedet.

Med dataanalyse kan du identificere de drivers, der er mest relevante for ændringer i omsætningen, og hvordan påvirkningen er nu og forventes at udvikle sig i fremtiden, og dermed opnå et mere præcist forecast, så du får et databaseret grundlag at træffe dine strategiske beslutninger på.

10. Kampagneplanlægning
Kampagnevarer trækker som regel en stor del af salget – ofte er det jo netop derfor, de er kampagnevarer. Men  mangler der transparens i, hvilke marketingaktiviteter der skaber flest køb pr. krone, kan det være svært at vide, hvilke kampagner der har størst effekt.

Med Advanced analytics kan du skabe et bedre indblik i kampagner – både i forhold til timing af den enkelte kampagne og i relation til, hvordan kampagner hænger sammen indbyrdes, og hvilke aktiviteter der driver flest salg – og dermed hvordan det påvirker den samlede return on investment.

11. Loyalitetsprogrammer og analyser af kundedata
Kundeprogrammer og -klubber betragtes ofte som noget, der hører hjemme i B2C-segmentet, som teleindustrien eller detailhandlen. I takt med at det globale udbud stiger, og kunderne får flere valgmuligheder, kan det imidlertid være en god idé for produktionsvirksomheder at begynde et mere struktureret arbejde med kundedata.

Det gælder traditionelle data som historisk salg, men også data om dialog med kunder, både digitalt og via eksempelvis kundeserviceopkald. Her kan analytics blandt andet bruges til:

  • Aktive kryds- og opslagsstrategier
  • Aktivering og segmentering af kundegrupper
  • Målretning af marketingkampagner
  • Kundeafgang/churn
  • Forståelse af drivers for særlige kundesegmenter.