Nieplanowane przestoje kosztują 500 największych producentów około 1,4 bln dolarów rocznie. To równowartość 11 proc. ich przychodów. Sztuczna inteligencja może pomóc w przewidywaniu awarii, ale bez wiarygodnych danych takie wdrożenia kończą się niepowodzeniem.
- Według raportu Global Industry Report OxMaint nieplanowane przestoje należą do największych kosztów w przemyśle.
- 500 największych producentów na świecie traci przez nie około 1,4 bln dolarów rocznie, czyli około 11 proc. przychodów.
- Z danych Gartnera wynika, że 38 proc. liderów infrastruktury i operacji jako przyczynę problemów z projektami AI wskazało niską jakość danych lub ich ograniczoną dostępność.
- Wdrożenie Data Governance pozwala ustalić, które dane mają największe znaczenie dla biznesu, kto za nie odpowiada i jakie wymagania muszą spełniać.
- Eksperci zalecają rozpoczęcie porządkowania danych od konkretnego problemu biznesowego zamiast próby ogarnięcia wszystkich zasobów naraz.
Straty liczone w bilionach dolarów
Z danych Global Industry Report (OxMaint) wynika, że nieplanowane przestoje to jeden z najpoważniejszych problemów sektora produkcyjnego. Mowa o kwotach, które trudno porównać z wydatkami na modernizację parku maszynowego. 500 największych firm wytwórczych na świecie traci z tego powodu około 1,4 bln dolarów rocznie. To około 11 proc. ich łącznych przychodów.
W praktyce oznacza to, że nawet drobne błędy w planowaniu produkcji, awarie czy braki materiałowe szybko przekładają się na realne straty. Jednocześnie rosną oczekiwania wobec sztucznej inteligencji, która mogłaby przewidywać awarie i skracać czas reakcji.
Dlaczego wdrożenia AI się nie udają?
Mimo ogromnych zasobów informacji wiele firm produkcyjnych nie potrafi z nich korzystać. Dane są rozproszone w systemach, dokumentach i arkuszach kalkulacyjnych, a ich definicje różnią się między działami. To sprawia, że zaufanie do posiadanych zasobów jest niskie, a projekty oparte na sztucznej inteligencji napotykają barierę już na starcie.
Potwierdzają to badania Gartnera. W tegorocznym zestawieniu 38 proc. liderów infrastruktury i operacji, którzy mieli problemy z projektami AI, przyznało, że bezpośrednią przyczyną niepowodzeń była niska jakość danych lub ograniczona ich dostępność.
Od czego zacząć porządkowanie danych?
Krzysztof Surowiecki, Senior Data & Analytics Advisor w Ambiscale, tłumaczy, że przygotowanie do AI nie powinno oznaczać porządkowania wszystkich danych na zapas. Jego zdaniem proces należy rozpocząć od konkretnego problemu biznesowego, oczekiwanego rezultatu i danych niezbędnych do jego osiągnięcia.
Data Governance pomaga ustalić, które dane są krytyczne, kto za nie odpowiada i jakie wymagania muszą spełniać, dzięki czemu inwestycje w jakość danych trafiają tam, gdzie mają realne znaczenie dla biznesu.
W sektorze przemysłowym pierwszym krokiem powinno być wdrożenie Data Governance, czyli zarządzania danymi. W praktyce oznacza to zebranie informacji o produktach, materiałach, dostawcach, partiach i indeksach, a także wskazanie właścicieli poszczególnych zbiorów.
Dzięki takiemu fundamentowi firma może przygotować bazę pod implementację sztucznej inteligencji, spełnić wymogi regulacyjne i w efekcie skalować działalność. Ekspert podkreśla, że największą trudnością zwykle nie jest samo porządkowanie, ale decyzja, od czego zacząć i kto powinien odpowiadać za dane.
W firmach produkcyjnych informacje o produktach, materiałach, maszynach i procesach bywają rozproszone między wieloma systemami i działami. Mają różne definicje, a odpowiedzialność za ich jakość bywa niejasna. Tymczasem inwestycja w zarządzanie danymi nie daje tak widocznych efektów jak nowa linia produkcyjna. Jej wartość ujawnia się z czasem w mniejszej liczbie błędów, sprawniejszym raportowaniu i nowych możliwościach wykorzystania informacji.
Dlatego zamiast próbować porządkować wszystko jednocześnie, lepiej wybrać konkretny problem biznesowy, wskazać potrzebne dane, przypisać odpowiedzialność i ustalić podstawowe standardy jakości.