Meningkatkan Pengambilan Keputusan dalam Manufaktur Lanjutan melalui Analitik Canggih
Manufaktur lanjutan adalah upaya yang sulit dan kompleks. Dan seiring rasa dan tren konsumen yang mempercepat keinginan untuk produk baru dan mempersingkat siklus hidup produk yang ada, produsen saat ini harus bergantung pada big data untuk membantu mereka mengelola, memprediksi, dan mengejar produk yang tepat pada waktu yang tepat. Sebuah studi oleh PwC menunjukkan bahwa hingga 92% produsen menganggap pengambilan keputusan mereka sangat berbasis data atau cukup berbasis data.
Mudah untuk memikirkan big data sebagai satu entitas raksasa yang harus dikelola untuk sampai pada insight yang benar. Namun ada berbagai jenis data yang dapat digunakan tergantung pada tingkat kematangan perusahaan serta jenis perangkat lunak yang dapat di-deploy oleh manajer dan pemangku kepentingan untuk meningkatkan pengambilan keputusan di tingkat enterprise dan pabrik. Kami menyebut ini perjalanan analitik manufaktur, dan ini mencakup empat jenis analitik data.
Seiring produsen matang dalam kemampuan analitis mereka, mereka bergerak dari deskriptif ke analitik preskriptif.
Empat Jenis Analitik Data Manufaktur
- Descriptive Analytics – Descriptive analytics memberi tahu pengguna apa yang terjadi. Ini adalah jenis pemrosesan data yang menggunakan data historis dari seluruh pabrik atau perusahaan untuk mencari pola, asosiasi, dan hubungan. Dengan menggunakan agregasi data dan data mining, data diorganisir dengan cara yang dapat menghasilkan insight mendalam tentang tindakan masa lalu.
Informasi ini dapat menghasilkan nilai yang membantu mengembangkan strategi produk dan dengan cara yang membantu pengguna memahami tren seiring waktu. Ini dapat diterapkan dalam kategori luas seperti kualitas, keuangan, dan pendapatan. Namun descriptive analytics terbatas pada sifatnya yang melihat ke belakang. Sementara pola dan tren yang berguna dapat muncul yang membantu memberi tahu pengambilan keputusan, ini terbatas dalam aplikasinya terhadap kejadian saat ini dan masa depan. Untuk perusahaan yang sangat berbasis data, jenis analitik data lainnya juga digunakan.
- Diagnostic Analytics – Di mana descriptive analytics menggambarkan apa yang terjadi, diagnostic analytics menjelaskan mengapa itu terjadi. Dengan pemahaman bahwa mesin atau grup produk memang berperilaku dengan cara tertentu, diagnostic analytics membantu menentukan mengapa. Diagnostic analytics menggunakan teknik seperti drill-down, advanced filtering, dan data mining untuk mencari korelasi untuk menjelaskan mengapa. Jenis analisis ini berguna untuk mengumpulkan insight tentang masalah spesifik dan mengembangkan prediksi yang andal tentang bagaimana menghindarinya.
Salah satu contoh nilai analisis diagnostik adalah dalam menentukan apakah peringatan valid. Karena pabrik yang terhubung saat ini menghasilkan sejumlah besar data yang dikumpulkan dari berbagai macam sensor dan perangkat edge, analisis diagnostik dapat memvalidasi peringatan dan mengkategorikannya sehingga operator manusia dapat memahaminya dan bertindak. Dan dengan volume data dari berbagai macam sensor, machine learning dapat digunakan untuk mengembangkan model yang secara akurat menjelaskan mengapa sesuatu terjadi, yang memungkinkan pengambilan keputusan yang akurat.
- Predictive Analytics – Predictive analytics digunakan untuk menjelaskan apa yang paling mungkin akan terjadi. Menggunakan temuan yang dikumpulkan dari descriptive dan diagnostic analytics, analisis prediktif bernilai untuk peramalan. Ini menggunakan data ini untuk memprediksi data yang belum terjadi. Dengan pemodelan statistik, data mining, dan machine learning, predictive analytics menggunakan berbagai teknik seperti:
- Segmentasi: Grup berdasarkan kesamaan.
- Asosiasi: Identifikasi frekuensi kejadian bersama dan membuat aturan yang menentukan apa yang akan terjadi setelah satu set variabel spesifik berinteraksi.
- Korelasi: Mengidentifikasi hubungan antara properti elemen.
- Peramalan: Menurunkan nilai dan kejadian di masa depan.
- Prescriptive Analytics – Menggunakan analisis dari tiga jenis lainnya, prescriptive analytics menggunakan machine learning, algoritma lanjutan, dan aturan bisnis yang ditentukan untuk meresepkan tindakan apa yang akan diambil. Lebih jauh, prescriptive analytics dapat menunjukkan hasil yang mungkin dari tindakan itu juga. Ini memberdayakan pengambil keputusan dengan tingkat akurasi serta opsi untuk menentukan lebih dari satu hasil yang mungkin berdasarkan tujuan enterprise. Masa depan manufaktur, di mana keputusan tidak hanya dibuat tetapi sistem disesuaikan secara otomatis berdasarkan keputusan ini, didorong oleh prescriptive analytics.
Data adalah apa yang membuat MachineMetrics sangat baik dalam apa yang kami lakukan. Dan di MachineMetrics, tujuan data adalah untuk memberdayakan berbagai algoritma machine learning dan analitik mendalam untuk membangun platform yang dapat ditindaklanjuti secara real-time untuk mendorong nilai melalui peningkatan OEE dan efisiensi manufaktur. Digabungkan dengan dasbor kustom yang memungkinkan visualisasi melalui HMI tetap serta perangkat portabel, keputusan dapat dibuat berdasarkan kekuatan analitik ini untuk memberdayakan operator dan mendorong efisiensi.
Sumber daya mendalam tentang praktik mengumpulkan dan menggunakan analitik untuk mendorong efisiensi yang lebih besar di lantai bengkel
Menggunakan Analitik di Lingkungan Manufaktur yang Terhubung
Strategi pengambilan keputusan berubah seiring enterprise matang. Dan jenis analitik yang digunakan juga berubah. Untuk perusahaan yang tidak sangat berbasis data, 79% dari fokus analitik mereka hanya terdiri dari deskriptif dan diagnostik. Di ujung lain spektrum adalah perusahaan yang sangat berbasis data di mana analitik prediktif dan preskriptif mencakup 54% dari penggunaan analitiknya. MachineMetrics membantu pelanggannya merealisasikan manfaat analitik mendalam dan membantu menerapkannya secara unik pada operasi mereka.
Untuk organisasi "cukup berbasis data" dan "sangat berbasis data", kedatangan Industrial IoT berarti mereka yang menggunakan teknologi manufaktur lanjutan dapat menggunakan perangkat dan perangkat lunak untuk fokus pada kombinasi analitik yang tepat untuk hasil terbaik. Teknologi dan perangkat lunak Industrial IoT menyediakan tingkat interoperabilitas di antara berbagai jenis peralatan untuk standarkan data untuk digunakan dalam perangkat lunak analitis. Pelanggan di MachineMetrics telah mengalami ini dan telah menggunakannya untuk terintegrasi dengan solusi lain seperti sistem ERP, alat perencanaan dan penjadwalan, dan perangkat lunak OEE.
Tanpa penggunaan sensor dan perangkat edge yang di-deploy pada peralatan, pengumpulan sejumlah besar data tidak akan mungkin. Melalui MachineMetrics, pelanggan dapat menggunakan data ini secara real-time, memungkinkan iterasi yang paling akurat dari data dalam program analitis. Dan dengan sensor dan perangkat edge yang di-deploy, latensi dapat dihilangkan, menciptakan informasi yang secepat mungkin.
Mengingat sejumlah besar data yang dikumpulkan dengan perangkat IIoT, data mentah berarti sangat sedikit tanpa analitik. Alasannya adalah manusia tidak dapat memproses data menjadi keputusan yang bermakna. Namun, di luar jenis analitik yang digunakan adalah kemampuan untuk memvisualisasikan hasil untuk membuat keputusan tersebut. Teknologi IIoT saat ini menyediakan kemampuan untuk memindahkan hasil analitik ke format yang divalidasi. Dasbor interaktif, layar kustom, dan perangkat genggam yang dioptimalkan seperti tablet dan ponsel memungkinkan operator, teknisi, dan manajer untuk melihat representasi visual dari mesin dan lantai pabrik mereka.
Pengumpulan data memungkinkan pemantauan aset yang akurat, pemantauan kondisi real-time, statistik produksi real-time, dan pelaporan utilizasi. Ini dapat menyampaikan ini secara visual dengan dasbor operator kustom dan notifikasi serta peringatan yang sesuai. Ini memungkinkan pemantauan yang akurat dari downtime dan kinerja kualitas serta area yang dapat ditindaklanjuti untuk pengaturan dan pergantian. Melanjutnya, analitik data membantu untuk mendorong insight yang lebih besar ke dalam data yang dikumpulkan, yang dapat membantu mengidentifikasi tren, menentukan hubungan sebab dan akibat, menjelaskan bottleneck produksi, dan bahkan meluncurkan program pemeliharaan prediktif.
Menggunakan jenis analitik data di atas, produsen dapat terintegrasi dengan perangkat lunak perusahaan yang ada untuk meningkatkan kinerja mereka sambil menyampaikan informasi real-time untuk mendorong pengambilan keputusan yang dioptimalkan di seluruh enterprise, dari lantai pabrik hingga kantor pusat.
