26 اکتبر 2020 توسط جفری دی. نیگارد ، معاون اجرایی مدیر عامل و رئیس عملیات
مقدارداده های تولید در صنعت و سایر حوزه ها بطور شگفت انگیزی در حال تکثیر است ، اما مقدار زیادی از آن بیهوده و از آن استفاده نمی شود . نرم افزار DataOps کلید اتصال نقاط برای بدست آوردن این مقدار است.
محصولات و فناوری در بخش تولید جهانی گسترده و عظیم است. سالانه این مقدار تولید در سراسر جهان معادل 10 تریلیون دلار درآمد دارد و تقریباً 20٪ از این درآمد فقط در ایالات متحده است. در شرایط بحران در حالی که COVID-19 بر تولید تأثیر زیادی گذاشته است ، اما چشم انداز صنعت قوی است.
واضح است که آینده تولید به طور جدایی ناپذیری با محصولات مرتبط است. اما برای خیلی ها کمتر واضح است که این امر به مدیریت داده هایی که از تولید پشتیبانی می کنند نیز بستگی جدی دارد.
در واقع ، بین سرمایه گذاری زیاد تولیدکنندگان در تجهیزات و نرم افزارهای کارخانه ای و نیاز نادیده گرفته شده برای مشاهده داده های یکپارچه در ساخت ، ارتباط زیادی وجود دارد. با استفاده از عملیات داده های انبوه (DataOps) برای درک داده ها ، صنایع می توانند مزیت رقابتی پیدا می کنند. بر اساس گزارش جدید Rethink Data از Seagate Technology بر اساس مطالعه IDC بر روی 1500 رهبر سازمانی در سراسر جهان ، در مورد استفاده ازروشهای مدیریت داده ها از طریق DataOps حاکی از نظم اتصال بین ایجاد کنندگان داده با مصرف کنندگان داده ، مسیرهای جدیدی را بعنوان پشتیبانی از سایر بخش ها قرار می دهیم. شکاف بین کف کارخانه و مصرف کنندگان داده نیز نیاز به پر کردن دارد.
به عنوان بخشی از فرایندهای تولید ، تولیدکنندگان با حجم زیادی از داده ها سر و کار دارند. آنها باید از تجزیه و تحلیل پیشرفته ، یادگیری ماشینی(ML) و هوش مصنوعی (AI) نه تنها برای تولید محصولات خود استفاده کنند بلکه برای تقویت نتایج تجاری از طریق مدیریت داده ها نیز استفاده کنند. برای انجام این کار ، تولید کنندگان باید از یکپارچه بودن داده ها اطمینان حاصل کنند.
چرا قطع ارتباط وجود دارد؟
نظرسنجی همگرایی IT / OT 2018 IDC نشان داد که تقریباً 80٪ دارایی های تولید ابزار به گونه ای به صورت دیجیتالی وصل می باشند. و این در فضای تولید پیشرفته خبر خوبی است.
اما چرا رشد سریع دارایی های دیجیتال با مدیریت گسترده تر داده در تولید همراه نیست؟ چرا انبار های تولیدی هنوز وجود دارند؟ داده ها باید با کمک نرم افزار مدیریت داده ، سخت افزار ، و فرایندها تنظیم و مورد استفاده قرار گیرند.
گزارش Rethink Data نشان می دهد که داده های تولید با سرعت کمتری نسبت به سایر صنایع در حال رشد هستند: به طور متوسط 37٪ در مقابل 42.2٪. تولید سایر صنایع را در استفاده ازفناوری ابر ترکیبی و پذیرش چند ابر برای بارهای اصلی ، دنبال می کند. رهبران صنعت ، مدیریت ذخیره اطلاعات را بزرگترین چالش خود گزارش می کنند. تا حدودی شگفت آور است که متوجه شویم برای بخشی که پیشتاز پیاده سازی AI و ML شناخته می شود ، پایین ترین سطح اتوماسیون کار در مدیریت داده ها و کمترین میزان برای ادغام کامل توابع مدیریت داده را نشان می دهد.
دلیل این امر چهار مورد زیر است:
یک ، روشهای میراثی و سنتی همچنان پابرجا هستند. فن آوری های ساخت سریع تغییر می کنند. برای مدیریت داده ها سخت است که متناسب با انواع حسگرها در ماشین های مختلف در کف کارخانه باشند. در بسیاری از موارد ، زیرساخت های پیر موجود نمی توانند متناسب با میزان دارایی های متصل شده وارد این عرصه قوی باشند. غالباً ایجاد کنندگان، فرآیند های موقتی را برای اتصال و نیز مدیریت دارایی بدون زیرساخت های زیربنایی را برای اعمال مدیریت جامع اجرا می کنند.
دو ، همچنین شکاف مربوط به مهارت های فناوری اطلاعات در بین نیروی کار این بخش وجود دارد. این کارگران ماهر آینده در تولید هستند که اقتصادهای توسعه یافته را نشان می دهند ، فقدان مهارت کافی یکی از سخت ترین موانعی است که شرکت ها برای رفع آن نیاز به برنامه ریزی و اقدام جدی دارند. آنها با نیرو های مسن روبرو هستند و چالش هایی را در یافتن کارمندان ماهر جدید که مایل به کار در کف کارخانه هستند ، دارند.
سه ، تغییر برخی داده ها به سمت حاشیه همه چیز را پیچیده می کند. رشد سریع داده ها برای تولیدکنندگان به رشد دستگاه های اینترنت اشیا ء در لبه شبکه های داده آنها مرتبط است. دستگاه های Edge از طرف سیستم های مرکزی قطع می شوند – و انتقال داده های بزرگ از طریق شبکه های شرکتی گران و کند است.
چهار ، تولید کنندگان به نرم افزار جامع مدیریت داده نیاز دارند. مشتریان تولیدی ها از ابزارهای نرم افزاری مدیریت داده برای مشاهده کسب و کار کلی خود ناراضی هستند. و همچنین بسیاری از کارخانه ها فاقد نرم افزار مدیریت داده هستند. پشتیبانی کمی از نرم افزار مجازی سازی برای نمایش و یافتن الگوهای موجود در داده ها در چندین بخش وجود دارد.
این وضعیت تولید یک شبه رخ نداده است.
“در ابتدای امر ، تلاش برای اتصال ماشین های صنعتی از طریق [اینترنت اشیا] به یکدیگر و اجازه دادن به ارتباطات ماشین به ماشین باعث ایجاد بینش و اتوماسیون شد، . برطبق یک بررسی از سوی MIT Sloan و ، طبق گفته مت ولز ، معاون مدیر محصول دیجیتال GE Digital و مجری صفحه EmTech ، پیچیدگی داده های کف کارخانه و عدم وضوح در مورد اهداف مانع بسیاری از تلاش های اولیه بود.
به سوی راه حل های جدید کسب و کار مبتنی بر داده
برخی از شرکت های تولیدی پیشگام استفاده از تجزیه و تحلیل داده های پیش بینی شده برای بهبود کارایی و عملکرد کلی هستند.
یکی از این شرکت ها رابرت بوش GmBH ، سازنده اجزای خودکار در آلمان است. کارخانه تولید Bosch’s Homburg Rexroth ، که شیرهای هیدرولیکی را برای کامیون ها یا تراکتورها تولید می کند ، از ارتباطات بی سیم و برچسب های شناسایی فرکانس رادیویی (RFID) برای اتصال کارگران ، ماشین آلات و قطعات استفاده می کند. نتیجه این امر یک فرآیند تولید کارآمدتر است. خط مونتاژ واحد تولید می تواند 200 نوع مختلف از شیرآلات هیدرولیکی را تولید کند – در تولیدات همه کاره تر شوند – در حالی که هزینه های تولید و مصرف برق آن را کاهش می دهد.
شرکت دیگری که از تجزیه و تحلیل ساده تر داده ها بهره می برد ، Caterpillar ، تولید کننده تجهیزات ساخت و ساز و گودبرداری بزرگ در شیکاگو است . کاتر پیلار مستقر در پئوریا ، ایلینوی ، با استفاده از تجزیه و تحلیل های پیش بینی شده ، براساس داده های کارخانه های خود ، خدمات مشتری و نتایج تجارت را بهبود می بخشد ، داده ها را از انباره ها آزاد می کند.
جف کروپ ، مدیر برنامه های کاربردی Cat Digital می گوید : “اطلاعاتی مانند تجزیه و تحلیل نمونه سوخت ، پر کردن وزن مخازن ، زمان بیکاری ، مصرف سوخت – همه اینها ، چیزهای مختلفی که در تمام این ماشین های متصل به دست می آوریم ، مقدار زیادی داده را به ما می دهند.” “ما می توانیم این داده ها را به مدل های پیش بینی تجزیه و تحلیل برسانیم که می توان اطمینان حاصل کرد که ما یک کار سفارشی را تجربه می کنیم ، ماشین آلات ما را با بهره وری بیشتر تولید می کنیم و بنابراین مشتریانمان را با بهره وری بیشتری مواجه می کنیم.”
برای زنده ماندن ناشی از اختلال دیجیتال ، تولیدکنندگانی که می خواهند به پیروزی خود ادامه دهند باید به جمع بوش و کاترپیلار بپیوندند.
مسیر به جلو
پنج مرحله برای مدیریت بهتر داده ها در ساخت عبارتند از:
- با جمع آوری و یکپارچه سازی داده ها ، در مخازن داده ، داده هایی را که از قبل دارید همتراز کنید.
- از طریق استفاده از تجزیه و تحلیل پیشرفته داده ، داده ها را برای اهداف تجاری جدید برداشت کنید. تجزیه و تحلیل پیش بینی می تواند با یافتن مدل های جدید تجاری که درآمدزایی و سودآوری در آینده دارند ، به شرکت شما قدرت بخشد. یک گزارش بروکینگز خاطر نشان نموده که تولید باید از فناوری های Big Data ، اتوماسیون و هوش مصنوعی استفاده کند ، که “به طور کلی” توانایی تحول در تولید را از طراحی اولیه کالا تا تحویل موفقیت آمیز محصولات دارند. “
- با استفاده از آخرین نسل ابزارهای سخت افزاری و نرم افزاری ، ذخیره سازی – وداده هایی را که در اختیار دارد – مدرنیزه و مدیریت کنید. سرورهای Edge اغلب با یک عقبه نرم افزاری یکپارچه مجهز شده اند تا مدیریت داده ها را برای سایت های از راه دور در این زمینه راحت تر کنند.
- تمام داده های جمع آوری شده را ایمن
کنید. هر سال ، کنفرانس نرم افزار امنیتی
RSA بر اهمیت
ایمن سازی داده ها در سراسر شرکت برای جلوگیری از اخلال در فعالیت های تجاری خارجی
و هکرها تأکید می کند.
- DataOps را پیاده سازی کنید. از فراداده ها – داده های مربوط به داده ها – برای ایجاد معنا در آن استفاده کنید. داده های جدید را “تگ” کنید تا بعداً دسترسی و تجزیه و تحلیل آن راحت تر شود.
اما – و این نکته کلیدی است – فقط ارتباط داده ها را به ماشین ها ندهید. مکالمات در مورد داده ها نباید به CIO ها ، کارشناسان داده و بخش IT ارسال و محدود شود. صاحبان مشاغل باید بینش بین شرکت ها را درباره سودمندی انواع مختلف داده ها – و طبقه بندی بعدی داده ها بر اساس آنچه می خواهند انجام دهند – تشویق کنند.
DataOps موفق فقط مربوط به فناوری نیست. این امر مربوط به ارتباطات داده ها است که همراه با تجزیه و تحلیل کارآمد ، به ایجاد شفافیت اطلاعاتی کمک می کند که ارزش تجاری بالایی دارند.
جف نیگارد با هدایت یک سازمان جهانی بیش از 38000 نفر را مدیریت می کند که به 9 زبان صحبت می کنند و در سه قاره زندگی می کنند. وی ابتدا به عنوان مهندس در Seagate شروع به کار کرد. وی در دوران تصدی خود در ساخت تیم های با عملکرد بالا ، ادغام تجارت رقبا ، توسعه اتحاد های استراتژیک و بازسازی Seagate نقش مهمی داشته است.
