산업용 4.0 기술을 대규모로 배포하겠다는 약속을 한 기업은 덜 초점을 맞춘 접근 방식을 가진 기업에 비해 생산성 향상을 두 배로 늘렸습니다. 가치를 높이기 위해 분석에 대한 의존도가 매우 뛰어나기 때문에 분석 모델을 대량 생산할 수 있는 기능이 필요합니다. 물리적 대량 생산과 마찬가지로 분석 질량 생산은 잘 정의된 공정과 원하는 처리량으로 확장할 수 있는 적절한 기술이 있는 경우에만 성공할 수 있습니다.
분석, 인공 지능 및 기계 학습의 입력을 현장현장으로 받아들이기 위해 생산 및 유지 보수 프로세스를 조정하는 것은 어려울 수 있습니다. Gartner 의 연구에 따르면 2022년까지 분석 통찰력의 20%만이 비즈니스 결과를 제공할 것이라고 합니다. 그렇게 할 필요는 없습니다.
얼리 어답터가 보여준 것처럼 체계적으로 접근하면 인더스트리 4.0을 도입함으로써 얻을 수 있는 상당한 가치가 있습니다. 저는 최근 연구에서 분석이 현장에서 제공할 수 있는 가치를 높이는 방법에 대한 지침을 제공하는 세 가지 통찰력을 수집했습니다.
인사이트 1: 재무 약정은 Dabbling보다 훨씬 우수한 수익을 가지고 있습니다.
2019년 딜로이트 연구에 따르면 스마트 팩토리 기술을 배포하는 선구자인 선구자는 생산 생산, 공장 용량 활용 및 직원 생산성을 20% 향상시킨 것으로 나타났습니다. 선구자는 반드시 다른 사람보다 더 큰 공장 예산을 가지고 있지 않습니다. 그들은 단순히 글로벌 공장 예산에 초점을 맞추고, 65 %는 스마트 팩토리 이니셔티브에 지출되고, 대 19% 다음 코호트에 대한 투자 비율.
동일한 예산, 다른 투자 초점, 이익을 두 배로.
그러나 스마트 팩토리 이니셔티브에 돈을 던지는 것만으로는 성공을 보장하지 는 않습니다. 또한 설치, 스위치 를 플릭하고 생산성이 향상되는 것을 보는 것 중 하나 또는 두 가지가 아닙니다. 수백 개의 개별 분석 루틴이 지속적으로 방대한 양의 기계 데이터를 수집하고 적시에 운영자에게 통찰력을 제공하지만 가치는 실현됩니다. 이를 위해서는 올바른 분석 환경이 필요합니다.
인사이트 2: 확장성이 뛰어난 분석 환경부터 시작
일반적인 실수는 분석 알고리즘의 개발에 초점을 맞추고 알고리즘을 비즈니스 프로세스에 통합하는 방법을 고려하지 않는 것입니다. 이것은 Gartner가 발견한 대규모 분석 드롭아웃으로 직접 이어집니다. 2020년 6월, 하버드 비즈니스 리뷰의 기사는 이 과제를 인식했습니다. 저자는 AI의 가치를실현하기 위해 "잘 설계된 생산 환경으로 시작"의필요성을 강조합니다. 이를 "실행 효율성을 저하시키지 않으면서 빠르고 원활한 시스템 재구성 및 데이터 동기화를 위한 유연한 환경"이라고 설명합니다.
즉, 스마트 팩토리를 지원하는 분석 환경은 다음을 수행할 수 있어야 합니다.
이 모든 것은 작업자가 전달된 통찰력에 따라 프로세스를 조정할 수 있도록 하는 기간 내에 있습니다.
소규모 프로젝트에서 적절하게 수행되는 기술을 선택하는 것은 스마트 팩토리 배포에 필요한 규모로 수행될 것이라는 보장은 아닙니다.
또한 기술만으로는 규모의 성공을 보장하지 는 않습니다. 분석을 통해 제조 생산성을 크게 향상하려면 데이터 과학자 생산성도 높여야 합니다.
인사이트 3: 데이터 관리 병목 현상 최소화에 집중
90년대 중반에 커리어를 시작했을 때 우리는 80/20 데이터 규칙을 받아들였습니다. 80%의 시간이 데이터를 수집하는 데 사용되었으며, 20%는 가치 전달에 사용되었습니다. 거의 20 년이 지난 후,이 비율은 전혀 변경되지 않았습니다.
스마트 팩토리 프로젝트의 분석 프로세스를 이해하면 데이터 관리 작업 공유의 생산성 향상이 더욱 명확해집니다. 내 동료, 마틴 윌콕스, 이 블로그 게시물에더 자세히 분석 과정을 설명합니다. 예를 들어 데이터 관리 공동작업의 이점을 설명합니다.
개별 프로젝트(효율성, 품질, 예측 유지 관리)에 대한 비즈니스 목표에 관계없이 데이터 과학자는 기계 이벤트 테이블을 구축하는 것으로 시작합니다. 이 테이블은 컴퓨터가 실행 중일 때 로그, 실행할 때 어떤 상태가 었는지. 기계 이벤트 테이블을 공통 리소스로 만들면 생산성 이 빠르게 향상됩니다. 동일한 컴퓨터를 사용하는 프로젝트는 단순히 데이터를 다시 사용합니다. 다른 컴퓨터의 데이터가 필요한 프로젝트는 여전히 첫 번째 컴퓨터 이벤트 테이블을 만든 변환을 재사용하는 이점을 누릴 수 있습니다.
이러한 생산성 향상은 더 많은 프로젝트가 데이터 및 분석 루틴을 기여하여 일반적인 "라이브러리"에 데이터 준비를 위해 가속화됩니다. 데이터 라이브러리를 큐레이팅하면 데이터 거버넌스 노력에 중점을 두어 데이터 품질도 향상됩니다. 높은 데이터 품질은 분석 품질을 증가시킵니다.
요약: 작은 시작, 확장하도록 설계된 기술을 사용 - 및 공동 작업.
이 세 가지 인사이트 조합은 스마트 팩토리 이니셔티브를 통해 생산성을 향상시키는 명확한 경로를 보여줍니다: 재무 투입, 신중한 기술 선택 및 프로젝트 전반에 걸친 협업. 공장 예산의 재정적 헌신은 분석 출력을 확장하고 배포하는 데 필요한 분석 프로세스와 기술에 집중할 수 있습니다.
클라우드 배포 옵션과 소비 기반 가격 책정 모델을 사용하면 Teradata Vantage에서초기 프로젝트를 시작하지 않을 이유가 없습니다. Teradata를 사용하면 데이터 과학자가 민첩한 데이터 기반을 그릴 수 있으므로 협업을 장려합니다. 가장 중요한 것은, Teradata 기술은 제조 공정에가치를 제공하는 데 필요한 분석 척도에서 입증된다는 것입니다.
