Panel BI Memberdayakan Analitik Pabrik Cerdas: Mengubah Data IoT Menjadi Wawasan yang Dapat Ditindaklanjuti

Kenaikan IoT industri dan pabrik cerdas telah meniadakan definisi analitik harus mencapai: membuka data operasional dengan cara yang mendorong hasil bisnis yang nyata. Sementara analitik pabrik cerdas masih berkembang, hambatan utamanya adalah mengekstrak tren yang bermakna dari banjir titik sentuhan IoT—di luar sekadar menyimpan log.

Sensor IoT di lantai pabrik menghasilkan data yang harus dikaitkan ke dalam tapestri data korporat yang lebih luas. Pencarian wawasan harus menjadi kebiasaan sehari-hari, bukan latihan satu kali.

Membawa data IoT ke dalam alur kerja rutin memerlukan platform analitik yang dipangku AI dan machine learning, bersamaan dengan konektor yang menghubungkan dasbor BI TI dengan operasi pabrik real-time.

Selama bertahun-tahun, dasbor BI telah melayani analisis back-office, namun banyak yang kesulitan untuk menyerap masukan IoT industri sampai baru-baru ini. Untuk menghindari informasi yang tersilo, organisasi memerlukan dasbor yang secara asli mendukung IoT industri, data lake, atau database cloud.

“Data pabrik cerdas memiliki banyak hal yang sama dengan data yang datang dari fungsi lainnya di seluruh bisnis,” kata Enno de Boer, partner di McKinsey. “Untuk bernilai, itu harus memberitahikan pengambilan keputusan; jika tidak, memanen data adalah sia-sia.”

Sepanjang Rantai Nilai

De Boer menekankan bahwa data lantai pabrik harus menyelimuti seluruh rantai nilai—dari sourcing komponen hingga pengiriman last-mile—untuk merealisasikan nilai bisnis nyata.

Analitik bisnis inti sekarang merupakan standar IT perusahaan, namun menerapkannya ke operasi tetap menantang. Meski ada hambatan implementasi, pasar analitik global diproyeksikan mencapai 16 miliar dolar pada 2026, menurut ResearchAndMarkets.com.

Scorecard Analitik Pabrik Cerdas

Beberapa vendor kini menawarkan analitik industri canggih dan dasbor BI. Pemain utama di ruang pabrik cerdas meliputi ABB, Honeywell, Bosch, dan Siemens.

Raksasa TI dengan jejak manufaktur dalam—seperti IBM, Hewlett Packard Enterprise, dan SAP—adalah pemain kunci dalam menangkap, memproses, menyimpan, dan menganalisis data pabrik cerdas. Startup data inovatif seperti Cloudera dan DataStax juga menargetkan persyaratan khusus.

Saat cloud menjadi pusat untuk analitik pabrik, pemimpin seperti AWS, Google Cloud, dan Microsoft Azure sedang membangun pipeline alur kerja data yang menyusuri ke dasbor BI pengguna akhir dari Looker, Microsoft Power BI, dan Tableau.

Pembangunan Pabrik Cerdas

Menerapkan analitik pabrik cerdas adalah upaya monumental. Situs manufaktur typis dapat menghasilkan lebih dari 2.200 GB data setiap bulan, namun sebagian besar data tersebut tidak dianalisis, menurut laporan transformasi digital IBM. Data yang tidak dianalisis membakar proyek konsep bukti IoT yang berkepanjangan.

“Sebagian besar data industri dihasilkan di luar TI,” kata Manish Chawla, general manager IBM untuk industri, energi, sumber daya, dan manufaktur. Dia menekankan bahwa perencanaan yang buruk dapat memperpanjang waktu hingga POC. “Orang mencoba membangun penthouse tanpa fondasi,” katanya.

Chawla menyoroti kolaborasi terbaru IBM dengan Siemens dan Red Hat untuk mengeksekusi analitik dari platform Industrial IoT Siemens, MindSphere, lebih dekat ke edge pabrik.

SAP bekerja untuk memungkinkan pelanggan menganalisis campuran data historian time-series, feed IoT, dan data bisnis. Dominik Metzger, VP dan kepala manajemen produk untuk manufaktur dan Industrial IoT di SAP, menyatakan bahwa standarisasi dalam penanganan data telah menjadi lebih ekonomis dan skalabel, dengan data lake muncul sebagai penggerak kunci.

Strategi Industry 4.0 SAP—dubbed Industry 4—menyediakan arsitektur referensi yang mencakup alur kerja dari data historian, layanan edge, cloud atau sistem ERP, hingga kemampuan business intelligence.

Analitik Memerlukan Volume Data

Evolusi analitik pabrik cerdas dipengaruhi oleh kekuatan luas yang mempengaruhi analitik, seperti kemunculan AI prediktif dan prescriptif. Pengguna harus mendekati penerapan analitik dengan bijaksana, kata Ed Cuoco, vice president AI dan Analitik di PTC.

Untuk diagnostik, Cuoco memperingatkan bahwa kontrol proses statistik sederhana mungkin lebih disukai daripada model machine learning yang kompleks saat kualitas atau volume data tidak mencukupi.

PTC bekerja erat dengan pengguna akhir dan mitra perangkat lunak untuk menyampaikan analitik dari garis depan pabrik ke pengguna bisnis—dan kadang-kadang kembali lagi. Sebuah perjanjian terbaru mengintegrasikan Fujitsu framework Smart Factory dengan platform PTC’s Vuforia augmented-reality dan ThingWorx untuk menyampaikan analitik secara langsung ke pekerja operasi.

Grafis Baru untuk Analitik

Teknologi data graf, sebelumnya pemain perifer dalam analitik canggih, kini diadopsi di pabrik dan di luar. Database graf seperti Neo4j’s Aura Enterprise mengkontekstualkan analitik pabrik cerdas dan memungkinkan kolaborasi lintas tim untuk mengungkapkan efisiensi operasional.

Berbeda dengan database relasional yang menyimpan data dalam baris dan kolom, format graf memetakan koneksi kompleks antara elemen data. Neo4j menargetkan sektor seperti otomotif, garansi, analitik, rantai pasok, dan instrumen medis.

Di bidang medis, sebuah perusahaan menggunakan metode graf Neo4j untuk melacak kegagalan sebelum pengiriman, mengilustrasikan bagaimana pekerja detektif dapat mengidentifikasi akar penyebab di seluruh subkomponen.

Neo4j menawarkan konektor ke dasbor visual—termasuk Tableau dan Tibco Spotfire—dan alat visualisasi sendiri Bloom.

DataStax, pionir database NoSQL open-source, juga mendukung penanganan data graf dalam edisi enterprisennya. Perangkat lunaknya memasok analitik IoT untuk klien seperti Locstat berbasis Afrika Selatan, yang menggunakannya untuk analitik sensor real-time.

“Visualisasi semakin penting untuk memahami lanskap IoT yang kompleks,” kata Matthias Broecheler, chief technologist di DataStax. Dia menambahkan bahwa beberapa keputusan pabrik memerlukan respons instan, yang mendorong pengembangan deteksi anomali otonom.

Selamat Tinggal, Silo Data

Di pabrik cerdas, keberhasilan bergantung pada kolaborasi di antara manajer, operator lapangan, dan tim TI—sama seperti transformasi bisnis lainnya. De Boer memperingatkan bahwa transformasi gagal saat tim bekerja dalam silo, dengan hanya satu fungsi yang mendorong perubahan.

Demokratisasi data berarti setiap pemangku kepentingan—dari ruang rapat hingga lantai produksi—harus memahami teknologi baru dan aplikasinya. Untuk manufaktur, peran personil operasional dalam menggarap analitik akan menjadi kunci.

De Boer menyoroti program akademi analitik yang ditawarkan oleh Global Lighthouse Network, berpendirian bahwa semua pemangku kepentingan akan mendapat manfaat dari partisipasi.