Seks kritiske udfordringer ved datadrevet produktion

Vil du høste gevinsterne ved at arbejde med datadrevet produktion? Så har du brug for også at forholde dig til seks kritiske faktorer.

I de senere år har begreber som machine learning, automatisering og big data for alvor gjort deres indtog i projektindustrien. Baggrunden er billigere og bedre sensorer, og at det er blevet lettere at forbinde disse til virksomhedens eksisterende systemer og/eller internettet via IoT (Internet of Things).

Herunder finder du seks kritiske faktorer, du skal tage hensyn til, hvis din virksomhed vil arbejde med datadrevet produktion.

1. Er dataanalyse hurtig nok?

Den største udfordring har aldrig været at indsamle data. Problemet har været at udvinde informationen hurtigt og effektivt og at bruge den i realtid. I mange produktionsvirksomheder udføres dataanalyse manuelt i dag, men med den stigende mængde data er det ikke længere muligt.

Derfor skal man automatisere både indsamling, analyse og præsentation af data. Hurtig og automatiseret dataanalyse er særlig vigtig, hvis man vil have den fulde effekt af at forbinde sensorer til processer, maskiner og produkter og dermed få mulighed for at anvende oplysningerne i realtid til at effektivisere virksomhedens produktion.

2. Kan du være både fleksibel og effektiv?

I dagens industri er produktionen planlagt langt frem i tiden, baseret på forudsætninger og prognoser for den fremtidige efterspørgsel. I fremtiden vil vi se tilpassede varer skræddersyet til de enkelte kunder, fx DNA-tilpasset medicin, specialfremstillede værktøjer og maskiner samt mad med ingredienser fra særlige leverandører. Samtidig går en anden tendens på, at en vare først sættes i produktion, når ordren er afgivet.

Begge tendenser betyder en meget mindre struktureret produktionsstrøm. Et større antal varianter af et givent produkt kombineret med færre enheder pr. ordre kombineret med, at man aldrig rigtig ved, hvilke ordrer der er på vej ind, betyder, at produktionskompleksiteten øges enormt. For at løse denne udfordring kræves langt flere data og hurtigere kommunikation i produktionssystemet, før et produkt er færdigproduceret.

Læs også: Big data gør projektindustrien mere fleksibel

3. Er dine data “døde” eller dynamiske?

De fleste virksomheds forretningssystemer får input fra hinanden. Data udveksles mellem systemer efter særlige regler og konverteres til systemernes forskellige formater.

Problemet er, at informationen ofte kun går én vej. Data fra for eksempel produktionsrobotter, som er endepunkt for – men fra – ERP-systemet kan ikke læses eller forstås af ERP-systemet. Dette kaldes “døde data”.

Døde data kan blandt andet fører til, at en fejl i slutproduktet ikke registreres i den indledende produktionsproces, hvilket betyder unødvendigt mange fejlproduktioner. Når dataene justeres i systemet for at korrigere fejl, sendes korrektionerne ikke hele vejen tilbage gennem systemet, hvilket fører til, at den første del af produktionen fortsætter med at sende defekte produkter, indtil nogen manuelt foretager en justering.

I en automatiseret og fuldt digitaliseret produktionslinje med dynamiske data, sendes data hele tiden frem, tilbage og på tværs af alle produktionssystemer – og dermed bliver alle data ved med at være dynamiske og værdifulde.

4. Hvordan håndterer du gamle systemer?

Alle virksomheder med et par års historie har gamle it-systemer, også kaldet “legacy”-systemer. Mange af disse systemer skal drive kritiske funktioner i mange år fremover. Derfor er det afgørende at forholde sig til, hvordan disse systemer integreres med nyere teknologier, fx Internet of Things.

For at lykkes med at digitalisere sin produktionsvirksomhed skal man have en dybtgående oversigt over virksomhedens teknologiske infrastruktur samt en klar plan for dens modernisering. Samtidig skal man være klar til hele tiden at vurdere, hvilke systemer der skal udvikles, så man hele tiden kan teste og udnytte nye teknologiske muligheder til at optimere sin produktion og forretning.

5. Hvad er “dark data” – og hvordan bruger man dem?

På skyggesiden af big data finder man “dark data”. Dark data er data, som er blevet indsamlet, men ikke anvendt. Ofte er det værdifulde oplysninger, der rigtigt anvendt kan bruges til at strømline organisationen, finde nye forretningsmodeller eller afprøve hypoteser, som konkurrenterne er nødt til at teste helt fra bunden.

Udfordringen er at afbalancere potentialet i dark data med de ressourcer, der skal bruges for at finde og analysere dataene. Men hvis man effektivt kan afprøve en række forskellige hypoteser, kan der være guld skjult blandt dark data.

Læs også: Hvad er big data egentlig?

6. Hvordan beskytter du din sikkerhed?

Sikkerhed er en udfordring, som it-ansvarlige i alle virksomheder står over for. Og truslerne er mange og komplekse: DDoS-angreb, vira, ransomware og tyveri af forretningshemmeligheder og fortrolige oplysninger. Med integrationen af digitale kontrolsystemer og produktionsprocesser forbundet via internettet åbner der sig nye angrebspunkter for udefrakommende.

I modsætning til forretningssystemer er mange af de industrielle kontrolsystemer udviklet på et tidspunkt, hvor it-sikkerhed ikke var et stort problem. Derfor er det afgørende også at tænke sikkerhedsaspektet ind, hvis man vil arbejde med datadrevet produktion.

Gratis whitepaper: Digitalisering uden buzzwords? Hent 5 gode råd og 10 konkrete digitaliseringscases

Sig din mening

*