L’evoluzione dei sistemi di produzione, abilitata dalla digitalizzazione, rende disponibili grandi quantità di dati che, grazie ai sistemi di data analytics, possono consentire non solo la manutenzione preventiva e predittiva, indispensabili per evitare fermi imprevisti, ma anche orchestrare la produzione, per migliorarne le performance, ridurre i costi, aumentare le entrate aziendali e mantenere un livello di servizio ai clienti adeguato alle loro richieste.
Da una produzione tradizionale a una basata sui dati, grazie alla data analytics
In passato, per analizzare le prestazioni di una macchina di produzione si dovevano annotare il suo rendimento, il tasso di errore, la qualità dell’output. Per capire cosa eventualmente fosse andato storto nella produzione si dovevano mettere in conto settimane di lavoro per analizzare la qualità degli input, la disponibilità della fornitura delle materie prime, il rendimento nel tempo per verificare la coerenza alla qualità o gli errori da approfondire.
Con l’avvento dei sistemi basati su IoT (che inviano informazioni dai sistemi di fabbrica) è possibile evitare fermi macchina, grazie alla manutenzione preventiva e prevedere, anche con il supporto di sistemi di intelligenza artificiale, possibili malfunzionamenti. È inoltre possibile orchestrare la produzione basata sui dati. Per ottenere questi risultati non è però sufficiente la racconta di valori fisici in tempo reale, dai sensori designati.
I dati devono essere analizzati e interpretati per prendere decisioni ottimali con l’obiettivo di migliorare la produzione, in un sistema a ciclo chiuso. La definizione dei Key Performance Indicator (KPI), monitorati sulla base dei dati raccolti e rielaborati, consente infatti di aggiustare la traiettoria in caso di scostamento significativo dagli obiettivi.
Va però chiarito che realizzare anche nel settore manifatturiero quell’industria data driven, di cui tanto si parla, capace di utilizzare i dati per prendere decisioni in tempo reale, non basta accumulare i tanti dati che arrivano dai sistemi di fabbrica, ma serve un sistema di filtraggio e di analisi, compito assolto dai sistemi di data analytics, con il supporto di competenze adeguate.
Metodi inaccurati che analizzano solo informazioni parziali derivanti dai dati raccolti rischiano invece di produrre decisioni fuorvianti e compromettere le performance aziendali.
Data analytics per sfruttare i dati di valore, evitando la ‘infobesità’
I grandi volumi di dati raccolti dalla strumentazione di fabbrica, dagli stessi operatori, dalla logistica e dal supply chain management, da memorizzare, integrare e mettere in relazione rischiano di generare la cosiddetta ‘infobesità’, con conseguente confusione e spreco di tempo. L’obiettivo non è diventare collezionisti di dati ma estrarre le informazioni davvero utili e che fanno la differenza.
Servono innanzi tutto alcuni accorgimenti a monte.
I dati dovrebbero essere raccolti avendo definito l’obiettivo che si vuole raggiungere per prendere decisioni davvero efficaci. Una volta definito l’obiettivo si dovranno organizzare le informazioni in modo da mettere in evidenza quelle davvero importanti, mettendo in secondo piano quelle che lo sono meno. È anche importante eliminare le informazioni inutili, poco significative, datate.
I dati che provengono da fonti e da processi diversi devono essere raccolti e riformattati come metriche di facile comprensione, per rivelare dove sono i problemi in termini di prestazioni o di qualità dell’output.
Un pre-trattamento dei dati e la loro analisi si può avvalere utilmente anche algoritmi di machine learning che aiutano nello shop floor sheduling e nella previsione di possibili guasti.
Mantenere la precisione e la qualità dei dati rispetto all’obiettivo è una sfida, perché la maggior parte dei dati acquisiti tramite sensori generici potrebbero non riflettere direttamente la reale situazione locale. In secondo luogo, anche trasformare questi dati in conoscenza e decisione utili è impegnativo, poiché il volume, la varietà e la velocità dei dati acquisiti sono già oltre la normale capacità di analisi.
Per fare tutto ciò sono dunque indispensabili sia strumenti come i data analytics sia le competenze necessarie per implementarli in modo efficace.
