Enterprise AI biedt oplossingen voor disruptie in de staalindustrie

Met technologische vooruitgang die wordt aangedreven door kunstmatige intelligentie (AI) en het creëren van datameren, beginnen organisaties hun waarde voor industriële productie te erkennen.

Enterprise AI kan worden ingebed in fundamentele bedrijfsmodellen om de besluitvorming te verbeteren. Het is gericht op resultaten in plaats van op de technologie zelf, waardoor een organisatie gegevens kan omzetten in waardevolle inzichten voor het creëren van continue klantwaarde.

De metaalindustrie, een van de oudste in de menselijke beschaving, is de ruggengraat van de moderne industriële groei. Staal is het meest populaire metaal dat tegenwoordig wordt gebruikt, en ijzer, het vierde meest voorkomende element in de aardkorst, is het belangrijkste bestanddeel.

Volgens de Worldsteel Association is de wereldwijde productie van ruw staal gestegen van 189 miljoen ton in 1950 tot 1,8 miljard ton in 2018. De snelle groei in de afgelopen twee decennia was te danken aan de overcapaciteit die in China werd geproduceerd, wat goed is voor bijna 50 procent van de staalproductie in de wereld . De mismatch heeft geleid tot grote verstoringen in de industrie, vooral in de westerse wereld, omdat Chinese fabrikanten hun overtollige voorraad tegen lage prijzen begonnen te exporteren.

Hoewel deze onbalans waarschijnlijk zal voortduren, werken bedrijven aan het verbeteren van de efficiëntie door hun ijzer- en staalproductietechnologieën te moderniseren. In het proces hebben ze geleidelijk de afhankelijkheid van menselijke arbeid verminderd, ten gunste van automatisering.

Een moderne staalfabriek heeft veel minder menselijke arbeid in dienst dan 25 jaar geleden. In een periode waarin de wereldstaalproductie twee en een half keer zo groot is geworden, heeft de industrie meer dan 1,5 miljoen werknemers verloren.

De staaltoeleveringsketen bevat enkele unieke elementen die de kern vormen van de industrie:

• Een inkomende toeleveringsketen met meerdere bronnen. Mijnen genereren een continue stroom van grondstoffen. IJzererts is er echter in verschillende vormen en kwaliteit die vaak aanvullende verwerking vereisen voordat het overgaat op de verwerking van het eindproduct. Dit kan resulteren in verschillende staalsoorten die niet noodzakelijkerwijs zijn gekoppeld aan specifieke klanteisen.
• Foutgevoelige productie. Het productieproces van ijzer en staal vereist een ononderbroken stroom van materialen tussen productiefasen, waaronder hoogovens, ovens voor basiszuurstof, continugietmachines en walserijen. Het afsluiten en opnieuw starten van een bepaalde bewerking tijdens het staalproductieproces kan kostbaar zijn. Daarom moeten de productie- en voorraadstroom in evenwicht zijn om heropwarmingskosten te vermijden, omschakelingen tot een minimum te beperken en ongewenste opbouw van onderhanden werk te voorkomen.
• Een complex opslag- en distributienetwerk voor eindproducten. Opslag, tracking en distributie zijn kwetsbaar voor inefficiënties vanwege de uiteenlopende kwaliteiten, het gewicht en de grootte van de eindproducten. Bovendien zijn er beperkingen aan het gebruik van volgtechnologieën voor de staalindustrie, zoals RFID-tags (radiofrequentie-identificatie) die interfereren met de fysieke eigenschappen van staal.
• Meerdere verkoopkanalen. Traditioneel vertrouwden staalbedrijven op een verscheidenheid aan indirecte verkoopkanalen, zoals dealers, agentschappen en servicecentra, die zich allemaal op dezelfde markten richten. Originele staalfabrikanten (OEM's) hebben beperkte controle op de markt, met minimale zichtbaarheid voor de eisen van de eindgebruiker. Bovendien vertragen indirecte kanalen het verkoopproces als gevolg van veelvuldig handen schudden en de ophoping van overhead, zoals commissies voor bureaus. Met de komst van internetverkoop en directe verkoopkanalen zijn e-marktplaatsen en e-veilingen een populair middel geworden om de transparantie te vergroten, de verkoopcycli te verkorten en de overhead te verminderen. Tegelijkertijd hebben e-marketplace-platforms klanten gemakkelijke toegang gegeven tot marktgegevens en concurrerende offertes voor gespecificeerde kwaliteitseisen. Dit heeft geleid tot een wildgroei aan staalsoorten, waarvan 75 procent in de afgelopen 20 jaar is ontwikkeld. Voldoen aan de eisen van de klant met de kortste order-fulfillment-cyclus en de meest concurrerende prijs zijn de sleutels tot het verkoopproces geworden.
• Een gecommoditiseerde en volatiele markt. In de staaltoeleveringsketen worden zowel grondstoffen als eindproducten gecommoditiseerd. Daarom wordt het bedrijf blootgesteld aan prijsvolatiliteit op zowel vraag- als aanbodpunten, wat resulteert in verminderde winstgevendheid.

Ondernemingen genereren dagelijks grote hoeveelheden gegevens en dit groeit exponentieel. Gegevens komen in zowel gestructureerde als ongestructureerde vormen voor. Nu in-memory computing, opslag en digitale technologieën betrouwbaar en betaalbaar worden, gebruiken veel metaalbedrijven ze om geavanceerde analyses te ontwikkelen en procesinzichten te verkrijgen. Tot nu toe ontbrak het echter bij de meeste van die inspanningen aan een organisatiebrede visie in de vorm van geïntegreerde supply chain-strategieën. De staalindustrie heeft veel ruimte om te profiteren van het verbeteren van haar digitale vaardigheden.

Een digitale tweeling is de virtuele replica van fysieke supply chain-processen en de ruggengraat voor cyber-fysieke integratie. Het zorgt voor een naadloze overdracht van gegevens tussen digitale werelden en fysieke entiteiten. Om enterprise AI mogelijk te maken, zijn de volgende kenmerken van digitale tweelingen nodig:

• Een handelsplatform voor ecosystemen voor informatie-uitwisseling met alle interne en externe zakenpartners, via in de handel verkrijgbare standaardsoftware.
• Luisterplatform en informatie-abonnement, om informatie vast te leggen buiten de grenzen van directe controle.
• Aansluiting van fysieke apparatuur en vastleggen van gebeurtenissen via Internet of Things (IoT)-apparaten. De digitale tweeling zorgt voor continue, realtime gegevensverzameling op verschillende supply chain-knooppunten, zoals ertsopslag (door mijnwerkers, leveranciers en scheepsexploitanten), productie (door cokesoven, sinterfabriek, hoogoven, caster en mill), product opslag en distributie (door werven en vrachtvervoerders) en verkoopkanalen (inclusief e-markten, servicecentra en dealers).

Een big-data lake is de enige opslagplaats voor alle bedrijfsgegevens in zijn oorspronkelijke formaat. Het kan voor verschillende doeleinden worden gebruikt, zoals op datawetenschap gebaseerde geavanceerde analyses en machine learning. Voor staalbedrijven kan een big-datameer niet-gerelateerde bedrijfsgegevens van verschillende knooppunten in de toeleveringsketen, waaronder putten, werven, hoogovens, zwenkwielen en fabrieken, in onbewerkte formaten opslaan. Big data kan worden gebruikt om inzichten te verkrijgen op de volgende gebieden:

• Marktinformatie, samengesteld uit informatie over macro-economie, monetair beleid, tarieven, metaalbeurzen, schommelingen in grondstofprijzen, informatie over concurrenten en geopolitieke situaties.
• Staalfabriekgegevens, het verstrekken van details over capaciteit en activiteiten in verschillende stadia, zoals ijzer- en staalproductie, werfbeheer en transport.
• Gegevens ondernemingsplan, inclusief productie- en verzendplannen.
• Ecosysteemgegevens van partners, gegenereerd door externe belanghebbenden zoals klanten, agentschappen, servicecentra, mijnwerkers, expediteurs en scheepsexploitanten. Het partnerecosysteem moet toegang bieden tot gegevens in een multi-enterprise bedrijfsnetwerk (zoals een ecosysteem-commerceplatform) van externe organisaties waarmee staalbedrijven zaken doen.

Enterprise AI omvat de volgende functies:

• Sensing van gebeurtenissen in verschillende stadia in de staalketen. Voordat een staalproduct bij de consument op de stoep staat, moet het een volledige levenscyclus van fabricage ondergaan. Terwijl bulkijzererts wordt omgezet in discrete staalproducten, doorlopen grondstoffen meerdere apparatuur- en processtappen. Elke verstoring of wijziging in een deel van de toeleveringsketen zal een grote impact hebben op andere productiefasen. Een digital twin, met bijbehorende attributen zoals IoT, herkent de veranderingen direct en verzamelt de data voor verdere analyse.
• Het analyseren van gebeurtenissen en het bepalen van hun impact op key performance indicators (KPI's) op verschillende tijdshorizonten. Zodra gebeurtenisgegevens zijn verzameld, wordt een geavanceerd analytisch platform geactiveerd om mogelijke invloeden op geplande activiteiten te identificeren. Deze stap creëert in een fractie van een seconde talloze "wat-als"-scenario's, waardoor de resultaten van mogelijke veranderingen in het hele leveringsnetwerk kunnen worden vergeleken. De beoordeling kan de impact op verschillende KPI's binnen de planningshorizon bepalen.
• Alternatieve oplossingen aanbevelen. Hoewel het verzamelen en analyseren van gegevens essentieel is, ligt de echte waarde van enterprise AI in het vermogen om de volledige omvang van de impact te analyseren en bijbehorende aanbevelingen te doen. Als de impact de drempel van bepaalde KPI's overschrijdt, kunnen bedrijfsregels en lessen uit eerdere cognitieve ervaringen enterprise AI helpen om oplossingen aan te bevelen die de gewenste bedrijfsresultaten opleveren. Dergelijke aanbevelingen moeten rekening houden met invloeden in het hele supply chain-netwerk en optimale plannen aanbevelen.
• Het optimaliseren van resultaten door continu cognitief leren. Een big-data lake biedt inzichten door middel van datawetenschap. Enterprise AI gebruikt de informatie op zijn beurt om continue optimalisatie van resultaten mogelijk te maken. Een big-datameer is een massa niet-gerelateerde informatie die het leven van een mens zou kosten om te begrijpen. Zonder structuur kan deze informatie niet voor zakelijke doeleinden worden gebruikt. Datawetenschapstechnieken kunnen ongestructureerde gegevens filteren binnen specifieke bedrijfsdimensies, zoals tijdsbestek, geografie en product, en verborgen verbanden blootleggen om continu zelflerend vermogen mogelijk te maken.

Enterprise AI stimuleert betrouwbaarheid, efficiëntie en productiviteit in de staalindustrie door handmatige arbeid te verminderen en te vervangen door machine-to-machine-connectiviteit en prescriptieve analyses. Het kan elementen detecteren zoals marktinzicht, vraagvolatiliteit en verstoringen in productie en aanbod. Het industriële gebruik van AI-technologieën, samen met investeringen in big-data-meren en digitale tweelingen, belooft staalbedrijven te transformeren in meer responsieve en winstgevende operaties. Een pragmatische kijk op enterprise AI kan de efficiëntie van de staaltoeleveringsketen drastisch verhogen, wat leidt tot lagere voorraadkosten en een kortere time-to-market in de vluchtige staalmarkt.

Hiranmay Sarkar is een managing partner bij Tata Consultancy Services' (TCS) Consulting and Services Integration Practice.