Share on pocket
Share on twitter
Share on linkedin
Share on whatsapp
Share on telegram

ساخت و تولید داده‌محور

ساخت و تولید داده‌محور

تصمیمات مؤثر بر روند تولید، باید همواره مبتنی بر واقعیات باشد، نه حدسیات، آرزوها، نظریه‌ها یا عقاید فردی. فناوری نوظهور امروزی به افراد و تجهیزات برای جمع‌آوری و پردازش اطلاعاتِ موردنیاز و دستیابی به نتایج بهتر کمک می‌کند.

استقرار سریع حسگرهای کم‌هزینه و اتصال آنها به اینترنت، هیاهوی زیادی در مورد آیندهٔ تولید ایجاد کرده است. اینترنت اشیاء و استفادهٔ اینترنت اشیاء از کلان‌داده و تحلیل، منجر به ایجاد نسلی جدید در تولید شده است. این نسل تولید شامل استفاده از داده برای کاهش هزینه‌‌ها از طریق از طریق برنامه‌ریزی عملیاتی برای فروش، افزایش چشمگیر بهره‌وری، بهینه‌سازی زنجیرهٔ تأمین و توزیع و شیوه‌های جدید خدمات پس از فروش است.

تولید داده‌محور، آشکارا در حال شکل‌دادن به موج بعدی فرایند تولید است؛ تولیدی که مبتنی است بر هدایت سیستم‌های کارآمد و پاسخگو. این موج موقعیت مناسبی برای تولیدکنندگان ایجاد می‌کند که بتوانند داده‌ها را به روشی معنادار و سودمند در تصمیم‌گیری‌های روزانه خود بگنجانند.

چرا داده برای تولیدکنندگان یک دارایی منحصربه‌فرد است؟

داده یکی از مهم‌ترین دارایی‌های سازمان است. به کارگیری رویکرد داده‌محور در تولید صرفا به بهبودهای مبهم نمی‌رسد. بلکه به طور قابل توجهی توان تولید را بهبود می‌دهد و درآمد سازمان را افزایش می‌دهد.

برای نمونه، پیاده‌سازی نرم‌افزار تحلیل داده به شرکت «پپسی» کمک کرد تا نحوهٔ توزیع نوشیدنی‌های طعم‌دار را ردیابی کند. داده‌ها نشان داد که چطور این شرکت با رفع مشکل حمل‌ونقل می‌تواند محصولات را قبل از منقضی شدن به دست مصرف‌کننده‌ها برساند. با این روش، پپسی هزینه‌های حمل‌ونقل و در نتیجه میزان ضایعات خود را کاهش داد.

آمازون شاهد دیگری برای تأثیر چشمگیر داده‌ها بر زنجیره‌های تأمین است. این سازمان برای تبدیل مراکز تحقیق خود به اکوسیستم‌های منسجم، سرمایه‌گذاری زیادی در زمینهٔ اتوماسیون انجام داده است. به لطف نوآوری‌های داده‌محور در تولید، آمازون هزینه‌های برنامه‌ریزی برای زنجیرهٔ تأمین را کاهش داده و نه‌تنها سود سالانه خود را که رشد آن را هم افزایش داده است.

آمار و ارقام نشان می‌دهد که تولیدکنندگان تمایل دارند بر داده‌ها مسلط باشند. بااین‌حال، اعمال تغییرات دیجیتال در سازمان‌ها اغلب به دلیل عدم حمایت رهبران سازمان‌ها شکست می‌خورد. استفاده از فناوری‌های پیشرفته برای بیشتر مدیران به‌مثابهٔ خطر کردن است و همیشه این ترس برای آنها وجود دارد که فناوری‌های جدید، جای کارکنان را بگیرد. بنابراین، فقط ۳۱ درصد از سازمان‌ها خود را دارای تولید داده‌محور می‌دانند که این رقم نسبت به ۲ سال گذشته که چیزی حدود ۳۷ درصد برآورد شده بود، کاهش داشته است.

بیشتر این نگرانی‌ها بی‌اساس است. وقتی کارخانه‌ها از داده برای بهبود فرایند تولید و توزیع و از هوش مصنوعی برای سرعت بخشیدن به پروژه‌های عملیاتی خود استفاده می‌کنند، فضای کسب‌وکار رقابتی‌تر می‌شود. تحقیقات نشان می‌دهد که تولیدکنندگان متعهد شده‌اند مبلغ ۹۰۷ میلیارد دلار (۵٪ از درآمد سالیانه) را برای بهبود اتصال به سیستم‌های دیجیتالی اختصاص دهند و انتظار می‌رود ۷۲ درصد از آن‌ها تا سال ۲۰۲۰ به سیستم‌های دیجیتالی پیشرفته مجهز شده باشند. بنابراین، پذیرفتن و استقبال از تولید داده‌‌محور برای ماندن در عرصه رقابت ضروری است.

البته تولیدکنندگان باید در این راه از چندین مانع عبور کنند. در اولین قدم، سازمان‌ها به‌بخش مجزایی برای مدیریت فناوری نیاز دارند. افزون بر این، باید نحوهٔ دسترسی به داده‌ها بازبینی و بهینه‌سازی شود تا تصمیم‌گیرندگان (نه فقط‌بخش IT) به دقیق‌ترین اطلاعات دسترسی داشته باشند. سرانجام، فناوری‌های به کار گرفته شده باید به‌اندازهٔ کافی پویا باشد تا در صورت لزوم، بتوانند به انواع جدیدی از داده‌ دسترسی داشته باشند و تحلیل‌های جدیدی بر روی داده‌ها اِعمال کنند.

چالش‌های پیش رو در روند تولید داده‌محور

۱- ادغام با سیستم‌های قدیمی: اگرچه اتوماسیون صنعتی یک فرایند تکاملی و بستری مناسب برای به‌کارگیری فناوری‌های پیشرفته و هیجان‌انگیز است، اما یافتن راهی برای کارکردن آنها در کنار سیستم‌های قدیمی و جاافتادهٔ سازمان نیز بسیار مهم است. یک کارخانهٔ مدرن دارای چندین سطح سیستم است. سیستم داخلی هنگامی دچار چالش می‌شود که توسعه‌دهندهٔ اصلی سیستم‌های قدیمی نتواند کاملاً با سیستم‌های جدید ارتباط برقرار کند. درک این نکته برای سازمان‌ها بسیار مهم و ضروری است که بدانند تولید داده‌محور به معنای شروع از نقطه صفر نیست، بلکه به این معناست که روش‌های جدید به صورت کارآمد با محیط تولید و فضای موجود یکپارچه شوند.

۲- چالش‌های امنیتی سیستم: سیستم‌های کنترلی توزیع‌شده که از طریق اینترنت به هم متصلند، می‌توانند سیستم‌های موجود را در معرض دسترسی غیرمجاز مهاجمان قرار دهد. ازآنجایی‌که تعداد زیادی از دستگاه‌های اینترنت اشیاء به طور فزاینده از طریق درگاه‌ها به هم متصل می‌شوند، زمینه و امکان کنترل و دسترسی از هرجایی فراهم شده است. اغلب، درگاه‌های سیستم‌های تولید سنتی به محافظت بیشتری در برابر چالش‌های امنیتی عصر جدید نیاز دارند. این به معنای افزودن قدرت محاسباتی کافی برای انجام وظایف شبکه‌ای و امنیتی است.

۳- حرکت از تبادل به سمت اشتراک داده: ایجاد یک مدل دادهٔ واحد و ادغام همهٔ سیستم‌های مستقلی در فرایند تولید نقش دارند، می‌تواند یک چالش باشد. این داده‌ها باید به‌صورت یکپارچه در همه‌بخش های کسب‌وکار، نگاشت و به اشتراک گذاشته شود تا هدر رفت منابع به حداقل برسد. استفاده از حسگرهای مبتنی بر اینترنت اشیاء که توانایی تشخیص خطاهای احتمالی تجهیزات را داشته باشد، می‌تواند یکی از راه‌های به‌حداقل‌رساندن خطا در فرایند تبادل داده باشد.

۴- داده‌ نادرست یا ناقص: داده ناقص و یا نادرست در تولید، بر روند تصمیم‌گیری تأثیرگذار است، به‌ویژه در پروژه‌های مهمی که داده در آن نقش حیاتی دارد. تکمیل و اعتبارسنجی داده نیازمند زمان، تلاش و منابع معتبر است.

تولید داده‌محور چه کمکی به سازمان می‌کند؟

بنا بر گزارش فارستر، سازمان‌های داده‌محور علاوه بر سودآوری، جذب و نگهداشت مشتری‌های جدید، سالانه ۳۰ درصد رشد بیشتری هم دارند:

۱- استخراج بینش‌های غیرمنتظره (unexpected insights) برای تصمیم‌گیری: ایجاد بینش غیرمنتظره مبتنی بر داده، با استفاده از تحلیل پیشرفته، می‌تواند فرصت‌های بیشتری برای تصمیم‌گیری سریع و دقیق ایجاد کند. داده‌های درست به تولیدکنندگان اجازه می‌دهد تا روی مهم‌ترین مشکلات و فرصت‌ها تمرکز کنند. درک این‌که آیا یک تولیدکننده با استفاده از شاخص‌های عملکرد کلیدی چیزهای درستی در رابطه با هر مشکل را اندازه‌گیری می‌کند یا نه، می‌تواند به حل آن مشکل کمک کند.

۲- بینش عمیق در مورد فرایندهای تولید: تحلیل پیشرفته می‌تواند به تولیدکنندگان کمک کند تا فرصت‌های پنهان را برای افزایش بازده تولید کشف کنند. بسیاری از اوقات ممکن است آنها تصور کنند که از تمامی فرصت‌ها در روند کار استفاده می‌کنند، اما به‌کارگیری درست داده‌ها می‌تواند چشم‌اندازهای عمیق‌تری برای بهبود اوضاع ترسیم کند. با استفاده از بینش‌های داده‌محور، می‌توان برای مشکلاتی که مدت طولانی بدون راه‌حل باقی‌مانده‌اند، راه‌حل مناسب پیدا و دامنهٔ عملیات را با استفاده از منابع موجود گسترده‌تر کرد.

۳- صرفه‌جویی در هزینه: شرکت‌ تولیدی‌ای که از داده‌های بلادرنگ کسب‌وکار و ارزیابی‌های آماری پیچیده استفاده می‌کند، به سادگی می‌تواند داده‌ها را تجمیع کند و برای به‌دست‌آوردن بینش‌های جدید آنها را تحلیل کند. این امر نه‌تنها هزینه‌های عملیاتی را کاهش می‌دهد، بلکه حصول نتیجه مطلوب را هم تسریع می‌کند.

۴- پیش‌بینی روند بازار: تولیدکننده داده‌محور می‌تواند با اتکا به پلتفرم‌های تحلیل، درخواست‌های شخصی‌سازی شده را بیشتر و بهتر پیش‌بینی کند. این امر با شناسایی الگوها و روندهای نوسانی در رفتار مشتریان شکل می‌گیرد. همچنین، تحلیل داده‌ها امکان مشاهده جزئیات فرایندهای تولید را فراهم می‌کند که این امر منجر به تصمیم‌گیری‌های هوشمندانه‌تر و دقیق‌تر خواهد شد.

استفاده از هوش مصنوعی در تولید داده‌محور

فرایندهای تولید مبتنی بر داده به سطوح بالایی از دقت، افزایش مداوم کیفیت و بالاترین کیفیت فرایندهای نگهداری نیاز دارند. به همین دلیل هوش مصنوعی برای ایجاد سهولت در این فرایندها، به کار گرفته می‌شود. استفاده از هوش مصنوعی چرخهٔ تولید را داده‌محورتر کرده میزان سود و بهره‌وری را هم افزایش می‌دهد. همچنین به تولیدکنندگان کمک می‌کند تا با به‌کارگیری بسیاری از برنامه‌های تحلیلی مبتنی بر هوش مصنوعی، از جمله تعمیر و نگهداری هوشمند، هوش پیش‌بینی و همکاری انسان و ربات، راه را برای ادامهٔ رشد هموارتر کنند.

پنج مرحله برای ساخت و اجرای تولید داده‌محور

تولیدکنندگان تنها پس از انجام یک تحول سیستماتیک داده‌محور می‌شوند. این پنج مرحله ابتدایی‌ترین مراحلی است که تولیدکنندگان برای رسیدن به یک تحول سیستماتیک در روند تولید به آن نیاز دارند:

۱- گلوگاه‌های زمان‌بر را بررسی کنید.

زمان فراوری (lead time) بیش از هر متغیر دیگری نشان می‌دهد که مشکلات واقعی در زنجیرهٔ تأمین چیست. کارکرد گلوگاه‌ها را بی‌وقفه دنبال کنید و همواره در پی تحقیق درباره چگونگی، دلیل وقوع و تأثیر آنها باشید. بهینه‌سازی مدیریت عملیات تولید نیاز به‌دقت در بسیاری از امور دارد، اما حذف تأخیرهای مداوم و هدر رفت زمان در اولویت است.

۲- از داده‌های موجود استفاده کنید.

حتی اگر تولیدکنندگان برای به‌دست‌آوردن بینش واقعی نیاز به جمع‌آوری اطلاعات بیشتری داشته باشند، با داده‌های موجود هم می‌توانند تجزیه‌وتحلیل را آغاز کنند. این داده‌ها ممکن است مالی یا عملیاتی باشد و از همهٔ آنها می‌توان به بینش‌هایی رسید که ممکن است برای مهندسان و کارشناسان مفید باشد. به‌کارگیری داده‌های موجود به سازمان‌ها کمک می‌کند تا توانایی‌های خود را برای کلان داده‌هایی که در آینده ارائه می‌شود، پرورش دهند.

۳- از هوش مصنوعی استفاده کنید.

اولین چالش در روند داده‌محوری جمع‌آوری داده‌ است و یافتن بینش در این داده‌، دومین مرحلهٔ این روند است. هوش مصنوعی می‌تواند روندها را تسریع کند، چرا که باهوش‌تر و سریع‌تر از انسان عمل می‌کند. تحلیل‌های صورت‌گرفته نشان می‌دهد که استفاده از هوش مصنوعی چرخهٔ سفارش به تحویل را ۴۲۵ درصد و کارایی زنجیرهٔ تأمین را ۲۶۰ درصد بهبود می‌بخشد. در مقایسه با گزینه‌های دیگر، استفاده از هوش مصنوعی در زنجیرهٔ تأمین، به‌کارگیری تحلیل مؤثر را آسان‌تر می‌کند.

۴- مجهولات را به نمایش بگذارید.

اغلب اوقات جزئیات مربوط به فرایند، حتی در کارخانه‌های برجستهٔ جهان، ناشناخته باقی می‌ماند. داده‌ها باید از منابعی جمع‌آوری شوند که بتوانند این ناشناخته‌ها را روشن کنند. نصب حسگرهای متصل به شبکه، روشی ایده آل برای ردگیری فرایندهای غیرشفاف پیشین است.

۵- به مسائل از زوایای مختلف توجه کنید.

از آن‌جا که تولیدکنندگان روزبه‌روز بیشتر بر داده مسلط می‌شوند، وسوسه‌انگیز است که ما هم تا جای ممکن تکنولوژی محور شویم. تولید کاملاً خودکار یکی از دارایی‌های برخی از سازمان‌ها است، به‌خصوص آنهایی که تقاضای قابل پیش‌بینی دارند. در سازمان‌هایی که تقاضا پویا است، اتوماسیون اهمیت کمتری از سایر دارایی‌ها دارد. همهٔ فناوری‌ها‌ باید بر اساس اینکه آیا ارزش تجاری واقعی به همراه دارد یا خیر ارزیابی شود و نه با ارائهٔ قابلیت‌های پیشرفته‌اش.

در نهایت باید گفت که تولید داده‌محور که به‌واسطه اینترنت اشیاء و راه‌حل‌های کلان‌داده، امروز یک فرصت استثنایی است، دیریازود به یک ضرورت و اجبار تبدیل خواهد شد.

 

 منبع  Throughput
 مترجم  آزاده یکتایی

 

Share on pocket
Pocket
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on whatsapp
WhatsApp
Share on telegram
Telegram

سایر مقالات

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *