Wawasan Ahli: Membentuk Masa Depan Manajemen Sampah di Era Digital
Sampah. Ini adalah kata yang kita ketahui semua di industri manufaktur dan tantangan yang kita hadapi secara berkelanjutan. Ini datang dalam banyak bentuk yang berbeda, tidak hanya dari bahan baku, komponen, atau produk cacat yang tidak pernah sampai ke tangan pelanggan yang membayar, tetapi dalam sumber daya yang digunakan di seluruh setiap tahap proses manufaktur - seperti tenaga kerja, energi, penyimpanan, transportasi dan aset termasuk pabrik dan mesin - yang dikonsumsi tetapi tidak berkontribusi terhadap pendapatan keseluruhan. Dengan kata sederhana, sampah adalah biaya input yang tidak dimonetisasi, dan oleh karena itu output dalam efisiensi, produktivitas, kelincahan dan kualitas semuanya adalah proxy untuk sampah.
Sementara sampah telah menjadi konsep yang lebih formalisasi di bawah filosofi Lean Manufacturing, ini adalah tantangan yang telah meresap di industri sejak lahir manufaktur modern. Ketika Matthew Boulton dan rekan bisnisnya John Fothergill membuka Soho Manufactory di Birmingham, Inggris pada 1766, mereka memperkenalkan konsep ‘produksi massal’ untuk merevolusi industri cottage yang tidak efisien pada saat itu. Pada 1782, mereka mengganti mesin giling logam yang didorong air mereka dengan sumber daya baru yang revolusioner - mesin uap Watt - dan begitulah, ‘perang melawan sampah’ dimulai.
Dari saat itu onwards, kami terus menciptakan teknik, metode, proses dan teknologi baru untuk mengurangi sampah. Ketika inovasi besar seperti mesin uap Watt muncul, pendahulu kami menyadari manfaat seismik dalam efisiensi dan produktivitas, yang diikuti oleh periode perbaikan dan penyesuaian berkelanjutan. Ini memaksimalkan manfaat dari inovasi tersebut lebih lanjut dan berlanjut hingga inovasi besar berikutnya muncul seperti listrik, di mana motor listrik menggantikan uap dan memungkinkan daya untuk didistribusikan dengan luas, lebih hemat biaya dan terpercaya. Kemudian garis perakitan memperkenalkan paradigma baru untuk pembagian dan pemanfaatan tenaga kerja dan transistor memberi lahir ke kontrol komputer industri dan otomatisasi.
Setiap tonggak besar ini melihat dampak awal diikuti oleh periode penyempurnaan dan perbaikan berkelanjutan, di mana perbaikan beruntun memberikan pengembalian yang semakin mengecil hingga perpindahan seismik berikutnya terjadi. Saat mencari area untuk memperbaiki proses manufaktur, sebagian besar organisasi cenderung memilih ‘buah yang paling mudah dicapai’ terlebih dahulu, sebelum mencari perbaikan yang lebih sulit dan halus seiring mereka terus berusaha untuk menemukan cara baru untuk menghilangkan sampah. Namun, mereka segera akan mencapai titik di mana biaya untuk menghilangkan sumber sampah menjadi sama atau lebih besar dari manfaat yang terwujud - alhasil, hukum pengembalian yang mengecil.
Pada tahap ini, ini secara sederhana menjadi tidak ekonomis untuk membuat perbaikan ini dan, sebagai hasilnya, peningkatan efisiensi dan produktivitas mulai melanda. Saya yakin bahwa ini adalah di mana sebagian besar produsen ada saat ini, dan itu membantu menjelaskan sebagian dari produktivitas paradox yang disebut-sebut. Meski investasi dalam peralatan, proses dan teknik baru, pertumbuhan produktivitas tetap datar karena buah yang mudah dicapai telah dipanen dan bisnis terjebak dalam siklus pengembalian yang mengecil per unit investasi. Produktivitas paradox hanya dapat dipecahkan ketika perpindahan seismik berikutnya muncul untuk memberikan perbaikan signifikan dalam kinerja.
Seperti yang telah ditunjukkan sejarah, perpindahan ini tidak terjadi semalam. Mereka awalnya dihadapkan dengan skeptisisme dan seringkali penghinaan, sebelum melalui periode hip, diikuti oleh kekecewaan karena manfaat yang dirasakan gagal untuk terwujud. Transisi ini seringkali dapat memakan waktu beberapa tahun, mungkin beberapa dekade, sebelum secara bertahap, manfaat nyata mulai muncul melalui apa yang disebut perusahaan analis IT, Gartner, sebagai ‘slope of enlightenment’ - fase keempat dari Hype Cycle. Digitalisasi, Pabrik Cerdas, Pabrik Masa Depan, Industry 4,0 dan Industrial Internet of Things (IoT), semuanya adalah variasi dari tema yang sama, dan mewakili akar dari siklus utama berikutnya. Meskipun banyak yang, dan terus, dilaporkan tentang tema-tema ini, semuanya didasarkan pada eksploitasi satu bahan dasar fundamental – informasi, senjata kritis berikutnya dalam perang melawan sampah.
LIHAT JUGA:
- Edisi Maret Manufacturing Global sudah tersedia
- Geneva Motor Show: tren teknologi otomotif teratas yang tidak akan Anda lewatkan
- Siemens akan akuisisi KACO new energy untuk meningkatkan kemampuan manufaktur
- Bray International: mengubah pola pikir manufaktur klep melalui transformasi digital
Pengembalian yang mengecil dari efisiensi dan produktivitas dari teknologi lantai produksi yang ada seperti otomatisasi dan metodologi perbaikan kinerja offline seperti six-sigma telah mencapai kaca bicara peribahasa. Ambil, misalnya, ukuran Overall Equipment Effectiveness (OEE) yang sering digunakan untuk mengevaluasi seberapa efektif operasi manufaktur digunakan. OEE 100 persen menunjukkan lingkungan produksi yang sempurna, dengan hanya produk yang baik yang diproduksi secepat mungkin dan nol downtime. Mencapai level OEE ini secara argumen mustahil, namun, penelitian umum di seluruh berbagai studi menunjukkan produsen kelas dunia berusaha untuk OEE sekitar 80-85 persen dengan 50-60 persen yang lebih tipikal, dan 30-40 persen tidak asing. Tidak hanya ini menggambarkan masih ada ruang yang besar untuk perbaikan dalam hal efisiensi dan produktivitas, ini juga menunjukkan bahwa upaya kami untuk meningkatkan kinerja sangat jarang ‘gerakkan jarum’. Sebaliknya, produsen mengandalkan culminasi sejumlah besar perbaikan yang lebih kecil, dan kadang-kadang mahal, untuk memberikan dampak nyata.
Untuk menerobos kaca bicara ini, kita perlu memanfaatkan aset data dan informasi dengan mengembangkan tingkat kecerdasan operasional yang lebih besar dari yang kita miliki saat ini. Dalam sistem fisik, kita akan selalu memiliki tingkat variabilitas dan ketidakterentuan alami, tetapi kita tidak harus terus menggunakan itu sebagai alasan untuk proses manufaktur yang tidak optimal. Sebaliknya, kita perlu menggunakan informasi ini untuk memahami kapan dan di mana ini terjadi (secara waktu nyata atau hampir waktu nyata) dan untuk memiliki mekanisme untuk merespons dan mengurangi variabilitas dan ketidakterentuan itu ‘saat terjadi’, atau lebih baik lagi ‘sebelum terjadi’.
Ini tidak mudah, dan memerlukan pemahaman dan pemantauan berkelanjutan terhadap banyak variabel, tidak hanya di seluruh satu pengukuran, proses atau karakteristik produk, tetapi di seluruh lanskap kausal keseluruhan. Dalam lingkungan manufaktur, proses jarang sepenuhnya terisolasi, karena kinerja satu proses kemungkinan disebabkan oleh berbagai macam pengaruh lainnya - baik langsung maupun ambient. Ini sering disebut sebagai ‘Curse of Dimensionality’ – semakin banyak dimensi yang kita miliki, semakin banyak data yang kita butuhkan dan semakin sulit untuk menghasilkan wawasan yang dapat ditindaklanjuti. Sayangnya, otak manusia tidak dirancang untuk menangani tingkat kompleksitas ini, karena kita kesulitan memahami inferensi di seluruh sejumlah dimensi yang sangat rendah dan dengan kecepatan yang sangat lambat.
Untungnya, beberapa teknologi muncul sedang berkontur dan matang untuk membentuk dasar untuk perpindahan berikutnya dalam efisiensi dan produktivitas manufaktur. Biaya dan miniaturisasi sensor canggih memungkinkan organisasi semua ukuran untuk menangkap jumlah data yang tak terbayangkan secara terus-menerus dari rantai permintaan dan pasokan mereka atau bahkan tertanam dalam produk itu sendiri. Bergantung pada tingkat kemajuan mereka, ini dapat mengaktifkan operasi komputasi otonom menggunakan algoritma canggih yang tertanam langsung dalam sensor (dikenal sebagai Edge Computing) untuk bekerja langsung dengan sensor dan perangkat lainnya dalam loop tertutup (Machine-to-Machine). Karena munculnya jaringan komunikasi yang serbaguna (tren yang akan berubah lagi ketika standar 5G baru menjadi mainstream) sensor ini dapat menyampaikan data yang dikumpulkan dengan kecepatan tinggi dari setiap lokasi di dunia.
Aliran data ini membutuhkan kapasitas penyimpanan dan komputasi data yang besar yang mampu menyaring, mengurutkan dan menganalisis informasi dengan kecepatan sehingga wawasan waktu nyata dapat dihasilkan, dan ini diaktifkan oleh big data dan cloud computing yang dengan cepat memisahkan nilai bisnis data dan informasi dari infrastruktur on-premises yang mahal. Terakhir, analisis dan wawasan yang dihasilkan dari data ini perlu tersedia di tempat yang tepat pada waktu yang tepat untuk tindakan efektif yang dibuat, selalu tersedia pada hampir setiap perangkat, dalam bentuk yang sangat visual dan intuitif yang dapat diinterpretasikan dan dilakukan oleh pekerja. Ini menjadi可能 melalui evolusi perangkat lunak berbasis cloud Software-as-a-Service (SaaS) dan antarmuka Rich Web Application (RWA) yang menjadi mainstream hari ini
Digitalisasi pabrik, lantai produksi dan rantai pasokan akan memungkinkan produsen untuk dengan cepat mengidentifikasi dan menghilangkan sampah dengan cara yang sebelumnya tidak mungkin atau tidak ekonomis dan ini akan membuka era baru dari efisiensi dan produktivitas. Setelah buah yang mudah dicapai telah dipetik, kita akan terus mengembangkan teknologi dan teknik untuk menemukan cara baru dan inovatif untuk mengurangi sampah lebih jauh lagi, hingga hukum pengembalian yang mengecil mulai menggigit, dan kita mencari perpindahan besar berikutnya untuk muncul. Namun, seperti yang diingatkan oleh guru Kecerdasan Buatan (AI) Andrew Ng, khawatir tentang itu sekarang seperti khawatir tentang kependudukan di Mars.
InfinityQS - penyedia terkemuka Statistical Process Control (SPC) perangkat lunak dan layanan untuk produsen di seluruh dunia. Solusinya mengotomatisasi pengumpulan dan analisis data selama proses manufaktur, untuk memungkinkan keputusan perbaikan proses waktu nyata dan mencegah cacat sebelum terjadi. Dikembangkan oleh statistik industri menggunakan metodologi yang terbukti untuk analisis dan kontrol kualitas, solusi InfinityQS menyelamatkan produsen terkemuka jutaan dolar setiap tahun.
