BI-dashboards integreren Smart Factory-gegevens voor zinvolle analyses

De komst van industrieel IoT en slimme fabrieken stelt nieuwe eisen op analysesystemen van de volgende generatie om operationele gegevens op nieuwe manieren te ontsluiten. Hoewel slimme industriële analyse een relatief recente use-case is, begint de activiteit op te warmen. De uitdaging zal zijn om betekenisvolle trends te vinden op basis van de gegevens die zijn geëxtraheerd uit meerdere industriële IoT-contactpunten, naast het simpelweg opslaan van de inhoud in operationele logboeken.

Slimme fabrieken die worden gegenereerd door IoT-sensoren (Internet of Things) moeten worden gecorreleerd met andere bedrijfsgegevenspunten en het zoeken naar betekenis moet een vast onderdeel worden van de dagelijkse workflows, geen vluchtig moment.

Voor het integreren van IoT-gegevens in reguliere processen is analysesoftware vereist. Deze software wordt gevoed door kunstmatige intelligentie, AI en machine learning-technologieën. Een ander deel van de vergelijking zijn IoT-connectoren die IT-business intelligence-dashboards koppelen aan fabrieksgegevens.

Hoewel BI-dashboards lange tijd deel uitmaken van achterkameranalyses, waren de meeste tot voor kort niet in staat om industriële IoT-gegevensinvoer adequaat te verwerken. Als slimme fabrieken gegevens in silo's willen vermijden, is het van het grootste belang om BI-dashboards te selecteren die zijn uitgerust met capabele analyses. Tegenwoordig combineren veel dashboards het industriële IoT met toegang tot datameren – enorme opslagpools die bedoeld zijn om grote hoeveelheden ongestructureerde informatie te verzamelen – of anders clouddatabases.

"Slimme fabrieksgegevens hebben veel gemeen met de gegevens die afkomstig zijn van andere functies binnen een bedrijf", zegt Enno de Boer, partner bij McKinsey. "Om van waarde te zijn, moet het worden gebruikt om de besluitvorming te informeren." Anders heeft het weinig zin om grote hoeveelheden gegevens te verzamelen en te aggregeren.

Over de hele waardeketen

Om echt waardevol te zijn, moeten fabrieksgegevens in de hele waardeketen worden geïntegreerd, zei de Boer, die aan het hoofd staat van McKinsey's werk op het gebied van digitale productie en de samenwerking met het World Economic Forum als onderdeel van het Global Light House-netwerk.

Door beter gebruik te maken van analyses ziet De Boer productie op maat die van invloed is op alles "van de inkoop van componenten tot de levering van de laatste kilometer."

Business intelligence-analyses zijn tegenwoordig een veelvoorkomend kenmerk van IT-producten voor ondernemingen. Maar het toepassen van de technologie voor operaties bleek moeilijker. Ondanks blokkades bij de implementatie, wordt volgens ResearchAndMarkets.com verwacht dat de wereld in 2026 $ 16 miljard zal bereiken.

Smart Factory Analytics-scorekaart

Meerdere leveranciers streven er nu naar om verbeterde industriële analyses en BI-dashboards te leveren. Spelers in de voorhoede van de markt voor slimme fabrieken zijn onder meer ABB, Honeywell International, Robert Bosch, Siemens en anderen.

Als het gaat om het vastleggen, verwerken, opslaan en analyseren van slimme fabrieksgegevens, maken IT-giganten met opmerkelijke voetafdrukken in de productie deel uit van de mix. De belangrijkste hiervan zijn IBM, Hewlett Packard Enterprise en SAP. Innovatieve datastartups hebben zich ook gericht op de gespecialiseerde vereisten van slimme fabrieksanalyses, zoals Cloudera en DataStax.

Nu de cloud het middelpunt wordt van fabrieksanalyses, bouwen cloudleiders Amazon Web Services, Google en Microsoft gespecialiseerde pijplijnen voor gegevensworkflows. Spelers ondersteunen op hun beurt business intelligence-dashboards voor eindgebruikers, zoals die van Looker, Microsoft, Tableau en anderen.

Slimme fabrieksopbouw

Het uitbouwen van slimme fabrieksanalyses is een formidabele taak. Een typische productielocatie kan in één maand meer dan 2.200 aan gegevens creëren, en de meeste van die gegevens zijn niet geanalyseerd, volgens een IBM-rapport over digitale transformatie. De toestroom van gegevens die niet geanalyseerd blijft, draagt ​​bij aan het probleem van industriële IoT proof-of-concept (POC)-projecten die aanslepen.

De meeste industriële gegevens worden buiten IT gegenereerd, benadrukt Manish Chawla, algemeen directeur voor industrieën, energie, hulpbronnen en productie bij IBM. Hij gaf aan dat de recente inspanningen van de industrie gericht zijn op het verbeteren van de projectfundamenten; een slechte planning kan de doorlooptijd van POC's verlengen.

"Mensen probeerden een penthouse te bouwen zonder een fundering te hebben", zei hij.

Chawla zei ook dat IBM onlangs samen met Siemens en Red Hat heeft gewerkt aan een platformonafhankelijke benadering om analyses uit te voeren vanuit het industriële IoT-platform van Siemens, MindSphere, dichter bij de fabrieksrand.

SAP werkt eraan om klanten in staat te stellen een mix van op tijdreeksen gerichte historische gegevens te analyseren, samen met IoT- en bedrijfsgegevens, zei Dominik Metzger, VP en hoofd van productbeheer, productie en industrieel IoT, SAP. Een gegevenshistoricus is een softwarefunctie die de output van IT-productieprocessen registreert voor bestuursdoeleinden.

Voor Metzger is een van de belangrijkste veranderingen van de afgelopen jaren de mate van standaardisatie in dataverwerking. "Het is zuiniger en schaalbaarder geworden", zei Metzger, daarbij verwijzend naar datameren als een enabler van analyse voor slimme fabrieken.

SAP beschouwt het inbedden van IoT-gegevensanalyse in bedrijfsprocessen als een belangrijke volgende stap in zijn Industrie 4.0-strategie, die het Industrie 4 heeft genoemd. Industrie 4 is een referentiearchitectuur die workflows omvat van bronnen zoals gegevenshistorici, edge-services en cloud of ERP systemen met business intelligence-mogelijkheden.

Analyse vereist gegevensvolume

De evolutie van smart factory analytics wordt bemoeilijkt door krachten die analytics in het algemeen beïnvloeden. De opkomst van voorspellende en prescriptieve analyses op basis van AI en machine learning brengt bijvoorbeeld verschillende implementatie-uitdagingen met zich mee. Volgens Ed Cuoco, vice-president van AI en Analytics bij PTC, moeten gebruikers hier zorgvuldig te werk gaan bij het gebruik van analyses om dieper in de operaties te duiken.

Bij het implementeren van analyses voor diagnostiek, bijvoorbeeld, zijn er momenten waarop eenvoudige statistische procescontrole de voorkeur kan hebben boven machine learning of AI-achtige oplossingen, zei Cuoco.

"Zonder historische gegevens van goede kwaliteit in volume, kun je misschien niet het gewenste inzicht verkrijgen", voegde hij eraan toe.

IoT-platformprovider PTC werkt nauw samen met eindgebruikers en andere softwaremakers om analyses van de frontlinie van de fabriek naar de zakelijke eindgebruiker te bieden, en soms weer terug. Dat is het geval met een recente deal waarbij het Fujitsu Smart Factory-framework gebruikmaakt van PTC's Vuforia augmented reality en ThingWorx-platforms om analytische informatie door te geven aan operationele medewerkers.

Nieuwe graphics voor analyse

Graph-datatechnologie - lang aan de rand van de geavanceerde data-analysescène - heeft acceptatie gekregen in fabrieken en andere instellingen. Grafiekdatabases zoals Aura Enterprise van Neo4j zijn nuttig gebleken en plaatsen de slimme fabrieksanalyses van gebruikers in context en maakten samenwerkingsprojecten mogelijk die nieuwe operationele efficiënties identificeren.

In tegenstelling tot relationele databases die het grootste deel van de gegevensanalyse ondersteunen en gegevens in rijen en kolommen opslaan, gebruiken grafische gegevensindelingen gegevenstoewijzingen om gecompliceerde verbindingen tussen gegevenselementen te beheren. De doelsectoren van Neo4j zijn onder meer automotive, garantie, analyse, supply chain management en medische instrumenten. Volgens Amy Hodler, directeur van Graph Analytics en AI-programma's, Neo4j, had met name de medische sector aangetoond dat grafische databases in staat zijn om samenwerking tussen teams te bevorderen.

Een bedrijf in medische instrumenten dat storingen wilde opsporen voordat het product werd verzonden, vond de grafische methoden van Neo4j nuttig, merkte Hodler op. Het identificeren van dergelijke storingen vereist doorgaans speurwerk, omdat alle subcomponenten van een defect instrument getraceerd moeten worden om te bepalen of zij verantwoordelijk zijn voor de storing.

Om analyse in handen te geven van meer gebruikers, biedt Neo4j connectoren die zijn grafiekgegevensmodellen koppelen aan gegevensvisualisatie- en ontdekkingsdashboards zoals Tableau, Tibco Spotfire en andere. Het bedrijf biedt ook zijn eigen Bloom-visualisatietools.

Ook verbinding met een groot aantal visuele dashboards zijn softwarebeheertools van DataStax, een bedrijf dat grotendeels heeft geleid tot de commercialisering van de open source NoSQL-database. De enterprise-editie van het product van DataStax ondersteunt de verwerking van grafische gegevens. Een van de makers van IoT-applicaties die hun software gebruiken, is het in Zuid-Afrika gevestigde Locstat, dat het product heeft ingezet om sensorgegevens en realtime streaminganalyses te analyseren.

"Visualisatie wordt een steeds belangrijker element om te proberen te begrijpen wat er in het IoT-landschap gebeurt, vooral als je te maken hebt met een vrij complexe setup", zegt Matthias Broecheler, hoofdtechnoloog bij DataStax.

De visuele analysetools helpen operationeel personeel, ontwikkelaars en anderen, voegde hij eraan toe. Tegelijkertijd merkte Broecheler op dat sommige beslissingen in slimme fabrieken onmiddellijke reactie vereisen. Die drijvende kracht zit achter nieuwe vormen van analyseverwerking die, zonder menselijke transformatie, autonoom afwijkingen op de fabrieksvloer detecteren en erop reageren.

Tot ziens, datasilo's

In slimme fabrieken moeten managers, veldoperaties en IT-ontwikkelingsteams samenwerken, net als bij elke andere vorm van bedrijfstransformatie, zegt McKinsey's de Boer.

"Transformaties mislukken wanneer teams in silo's opereren, en slechts één functie drijft de pogingen om veranderingen te initiëren", zei hij in een e-mailinterview. De drive om data te democratiseren vereist dat mensen in de hele organisatie de kracht van nieuwe technologieën begrijpen en hoe ze te gebruiken, zei de Boer.

Voor de productiesector zal de rol van operationeel personeel bij het bepalen van de democratisering van gegevens veelzeggend zijn.

"Met analysetools in handen van operationeel personeel, zullen bedrijven gemakkelijker oplossingen kunnen ontwikkelen die zakelijke uitdagingen beantwoorden", aldus de Boer.

McKinsey's de Boer wees op de analytics academy-programma's die zijn opgezet door leden van het Global Lighthouse Network en voerde aan dat alle belanghebbenden baat zouden kunnen hebben bij deelname, inclusief iedereen, van de directiekamer tot de frontlinies van de productie.