Dovođenje proizvodnje do maksimalnih granica

Mnoge kompanije se trude da optimizuju proizvodne procese koristeći utvrđena pravila ili nepotpune podatke. Ali na kraju meseca ili perioda izveštavanja, oni često otkrivaju značajne razlike između stvarne dobiti i onoga što su očekivali. Prema nekom iskustvu, to je zato što oni obično nemaju dovoljno precizne mere da bi razumeli male varijacije u realnom vremenu u procesnim tokovima i proizvodnim u objektima kao što su rudnici, čeličane ili druga proizvodna postrojenja. Osim toga, ove informacije se retko dele dovoljno brzo da bi menadžeri mogli odgovoriti u potrebnim vremenskim okvirima.

Rad u brojnim industrijama sugeriše da kompanije mogu da eliminišu ove varijacije za iscrpljivanje profita, kao i da ubrzaju vreme reakcije koristeći naprednu analitiku podataka u kombinaciji sa kaskadama podataka za upravljanje performansama. Metrički podaci koje smo nazvali profit po satu daju mnogo tačniji prikaz fluktuacija u operativnom okruženju i mnogo bolji način prenošenja implikacija na top menadžere.

Proširenje granice merenja

Kombinujući mere vrednosti, troškova i volumena tokom vremena, dobit po satu je moćnija od vrste metrika koje se obično koriste u mnogim industrijama. Koristeći podatke dobijene od senzora, zajedno sa naprednim analitičkim alatima, industrijske kompanije mogu primeniti modele za samostalno učenje koji simuliraju očekivane vrednosti i troškove pojedinih procesa i čak cele kompanije na kontinualnoj osnovi. Iz ove analize pojavljuju se obrasci gde se troškovi, nivoi toplote, nivoi oporavka i druge promenljive razlikuju od predviđenih vrednosti. Tada operateri mogu fino podešavati procesne procedure ili prilagođavati ulazne podatke kako bi eliminisali gubitke što je više moguće u tim periodima u danu kada profitabilnost padne ispod optimalnih nivoa. Uvid u podatke stvara novu informacionu okosnicu, koja povezuje performanse u realnom vremenu na nivou zemlje sa profitabilnošću kompanije i omogućava menadžerima vremena da naprave neophodne kompromise.

Sve do nedavno, kompanije nisu imale upotrebljive podatke, napredne senzore i mogućnosti obrade da bi procenili performanse operacija sa preciznošću u realnom vremenu. Međutim, povećanje u jeftinijim senzorima, bežičnoj povezanosti, skladištenju podataka u oblaku i računarskoj snazi promenilo je jednačinu, kao i razvoj pametnijih analitičkih alata koji analiziraju kontinualne procesne tokove i dopunjuju sisteme kontrole naprednih procesa kao što su oni koji se nalaze u preradi , petrohemijskoj industriji, ili velikim koracima proizvodnje čelika. Štaviše, kako se pojavljuje efikasnija i efikasnija analitika, postoji veći opseg za proširenje analize profita po satu u odnosu na samo nekoliko najkritičnijih procesa. U međuvremenu, daljnje smanjenje troškova skladištenja ogromnih količina podataka omogućava finije podešavanje upravljanja performansama kako bi se dostiglo preko čitavih postrojenja, pa čak i preko kompanija.

Uživanje prednosti

Dva primera pokazuju kako profit po satu može rezultovati značajnim poboljšanjima performansi.

Poboljšanja na nivou procesa u hemijskom pogonu. Proizvođač je prethodno uložio značajne napore u automatizaciju i naprednu kontrolu procesa kako bi povećao propusnost linije proizvoda. Menadžeri su, međutim, znali da spoljno vreme utiče na efikasnost procesa i performanse postrojenja: problem je bio u tome što nisu znali u kojoj meri. Tehničari su zato identifikovali listu ambijentalnih i unutrašnjih uslova koji su se kretali u letnim mesecima, kao što su smer vetra, relativna vlažnost i temperatura. Naoružani potrebnim podacima, napravili su napredni model neuronske analitike koji je bio u stanju da simulira profit po satu za liniju pod idealnim, sezonski prilagođenim uslovima – omogućavajući menadžmentu da zabeleži poremećaje i preduzme korektivne mere. Model je dalje omogućio timu da precizno identifikuje efekat gubitka i margine koji je rezultat varijacija u svakom faktoru. Tim se zatim fokusirao na prvih pet koji bi mogli biti kontrolisani procesnim prilagođavanjem ili ciljanim investicijama. Kompanija je na kraju otkrila da bi nadogradnja jednog komada opreme mogla doneti skoro 500.000 evra godišnje, u investiciji koja se sama isplatila u roku od 12 meseci. Model je takođe ukazao na to kako je brza reakcija na operativna odstupanja povećala profit po satu, a poruka je dostavljena na dodatnim treninzima za operatore na liniji koji su bili zaduženi za praćenje nadzornih ploča i prilagođavanje procesa u realnom vremenu. Novo definisani parametri i pravila su nakon toga uključeni u sisteme kontrole procesa sa ciljem povećanja profita po satu.

Dobici u celini na čeličani. Čini se da je najvažnija lokacija proizvođača čelika delovala u mraku. Kapitalne nadogradnje su samo povremeno rezultovale većim prinosima. Operativne odluke su često bile zasnovane na istorijskoj mudrosti i ličnom iskustvu, sa malim činjenicama koje bi pokazale njihov potencijalni finansijski uticaj. U međuvremenu, prikupljanje podataka je bilo ispod standarda, a proizvodne jedinice u okviru fabrike često su koristile različite ključne pokazatelje performansi na najvišem nivou (KPI), sprečavajući integrisani pogled na performanse u celoj fabrici.

Viši menadžment je odlučio da popravi situaciju radikalno drugačijim, višestepenim pristupom. U srži je bio novi KPI, koji se spajao sa celokupnim izvršnim paketom i povezivao performanse operacija sa jednim standardnim dnevnim profitnim standardom, zasnovanim na analizi profita po satu. Cilj je bio da se menadžerima na nivou postrojenja i rukovodiocima na prvoj liniji poveća vidljivost u varijabilnosti proizvodnje, kao i da se finansijskim rukovodiocima ponudi sigurniji uvid u performanse postrojenja. Tokom prve faze, kombinacija operativnih metrika bila je usklađena sa novom merom profita. U drugoj fazi, tehničari su testirali metričke podatke za uvid u radni učinak na postrojenjima za toplo valjanje, postrojenju za proizvodnju čelika, postrojenju za proizvodnju gvožđa, pomoćnim generatorima i drugim jedinicama. U trećoj fazi koja je uključivala nove investicije u IT, kompanija je instalirala nadzorne ploče koje su prikazivale metrike na podu postrojenja i u kancelarijama viših rukovodilaca. Centralizovani sistem za skladištenje podataka i standardizovana analitika podataka formiraju IT okosnicu.

Istraživanje novih horizonta

Brzim usvajanjem procesnih senzora i većim preuzimanjem podataka, veštačka inteligencija (AI) će verovatno imati istaknuto mesto u sledećem talasu dobiti. Analitički modeli će „naučiti“ od varijacija procesa i automatski prilagoditi. Googleov DeepMind AI to već radi kako bi smanjio potrošnju energije za hlađenje svojih centara za podatke do 40%. Modeli uče iz istorijskih podataka kao što su temperatura, potrošnja energije i funkcionisanje sistema hlađenja. Oni koriste te informacije da bi razumeli varijacije u uslovima rada u data-centru i “prosuđivali” kako najbolje da vode rashladne sisteme sa minimalnom potrošnjom energije. U budućim AI sistemima kao što su ovi, profit po satu može postati referentna tačka za optimizaciju poslovanja.

Iako još uvek u prvim danima, primećujemo primere u kojima se profit po satu može primeniti na više lokacija za proizvodnju kompanije, a još šire na mreže lanaca snabdevanja i odluke o tome kako da opslužuju klijente. Precizniji pregled u realnom vremenu može pomoći kompanijama da razumeju – među sve većom listom mogućnosti – kako da optimizuju rute snabdevanja do gotovog proizvoda, kako da opslužuju kupce kada postoji više proizvodnih lokacija, koliko proizvoda treba proizvesti za jednu proizvodnu lokaciju i najbolju kombinaciju opcija make-versus-bui. Takvi end-to-end sistemi mogli bi da obezbede kompanijama neuporedivu “postmortalnu” analizu gde vrednost curi preko njihovih operacija, kao i novi načini za simulaciju budućeg uticaja strateških odluka.