Big Data in Manufacturing: The ease of capture?

BigData In Manufacturing

Dat de ontwikkelingen rondom Big Data en Data Analytics nu goed op stoom gekomen zijn, daar is geen twijfel over mogelijk. De grote consultancy bedrijven zijn massaal bezig met het opstarten van nieuwe intiatieven, proof of concepts en het in de lucht brengen van analyse platformen [Hier , Hier , Hier en Hier ].

Zelf doe ik hier natuurlijk ook aan mee. Ik ben zelf inmiddels ook getraind tot “Certified Data Scientist”. Kortom: The train has left the station!

Een vraag waar ik al een tijdje mee worstel, is hoe we Big Data (of Data Analytics) binnen de industrie kunnen toepassen en daar interessante toepassingen voor te bedenken.

Wanneer ik deze vraag voorleg aan enkele doorgewinterde Manufacturing en MES consultants, komt de discussie eigenlijk niet verder dan het te gebruiken voor ‘predictive maintenance’. Terwijl men bijv. in de financiële en verzekeringswereld veel meer nuttige toepassingen kan bedenken.

Met deze blog post hoop ik meer licht op deze vraag te kunnen werpen.

Alleen maar ‘predictive maintenance’?

Big Data kan een bedrijf helpen om van te voren te kunnen voorspellen wanneer onderhoud op hun machines of producten het beste kan plaatsvinden. Dit is een goede toepassing, met in de meeste gevallen een goede achterliggende business case.

Nu is het innovatie gehalte hiervan minder groot dan in andere domeinen waarin Big Data analyse technieken worden toegepast. Wanneer ik in gesprek ben met consultants uit het manufacturing domein, is hun reactie op veel van de nieuwe toepassingen: “Dat deden wij in de jaren ‘90 ook al…”. Niet echt heel sexy.

In het sales materiaal van de verschillende grote leveranciers, trof ik onder het kopje industrie in 9 van de 10 keer alleen maar ‘predictive maintenance’ aan.

Gebrek aan inspiratie bij de Manufacuring Business Consultant?

Als creatief persoon verweet ik als eerste de consultants binnen het manufacturing domein van inspiratie. Immers, als iemand de meerwaarde van big data toepassingen kan bedenken, zijn zij het wel.

Als oefening: Met een oude rot in het vak ben ik toen een brainstormsessie gaan houden. En het bleek inderdaad niet gemakkelijk om verder te komen dan predictive maintenance.

Het daadwerkelijke antwoord kwam pas na het lezen van een McKinsey rapport over Big Data.

Big Data value vs. Ease of capture

In het rapport “Big data: The next frontier for innovation, competition, and productivity” staan de (economische) mogelijkheden van Big Data per branche beschreven.

Mijn oog viel op het hier onder afgebeelde diagram. Hierin staat de potentiele waarde van Big Data uitgezet tegen de ‘ease of use’. Hiermee bedoelt McKinsey de drempel waarmee Big Data gebruikt kan worden binnen de betreffende branche.

big data - value vs. ease of use

 

De positie van Manufacturing staat qua waarde aan de lage kant en qua ‘ease of use’ aan de hoge kant. Eigenlijk is de ‘ease-of-use’ hetzelfde als in het financiële domein, maar is de waarde van big data bij manufacturing een stuk minder dan bij finance.

Dit overeen te komen met mijn eigen observatie – het ‘inspiratieprobleem’ van de Manufacturing Business Consultants. Hier konden we immers ook geen interessante toepassingsgebieden vinden.

‘Ease of use’

Om dit fenomeen te kunnen verklaren, heb ik verder ingezoomd op de definitie van de ‘ease of use’-index die McKinsey heeft gebruikt bij het opstellen van het diagram.

De Big Data ‘ease of use’ index is opgebouwd uit de volgende aspecten:

  • Talent – Het aantal medewerkers met diepgaande analytische vaardigheden.
  • IT Intensiteit – Indicatie van het aantal IT assets wat een betreffende branche heeft.
  • Data-gedreven mindset – Geeft aan in hoeverre de leiders van een organisatie sturing op basis van data geven (en hieruit afgeleid: Hoe ontvankelijk zijn ze voor Big Data initiatieven).
  • Beschikbaarheid van data – Het aantal databases per branche, wat overeenstemming heeft met een lijst van McKinsey. Dit geeft een inschatting van de beschikbaarheid van gegevens.

Eigenlijk, zijn we gewoon al best ver…

Wanneer je de eerste boeken op het gebied van ‘Theory of Constraints’ en LEAN erop na leest, gaat men binnen het manufacturing domein redelijk ver in het analyseren en optimaliseren van processen. Dit in het bijzonder gericht op het opsporen van verspilling (waste) in productieomgevingen.

Verder is in de basis het automatiseringskarakter bij veel productieomgevingen op een goed niveau en zijn de gegevens op een gestructureerde manier beschikbaar. Denk bijvoorbeeld aan sensorgegevens van machines en ERP systemen waarin order/product en klantgegevens in zitten. Nu zullen de voorstanders van Integrated Manufacturing hier uiteraard ruimte voor verbetering in zien*smile*

Ook is het gebruik van statistische technieken in productieomgevingen al enige jaren gemeengoed. Men is toch al 10-20 jaar bezig met cycle-time reductie en een beeld krijgen van de statistische fluctuaties in productieprocessen.

Kortom, qua traditionele data analyse is men binnen de industrie al best ver. Dit zou verklaren waarom men goed scoort op de ‘ease of use’ aspecten.

De 3V’s van Big Data.

Waarom is Big Data dan toch anders?

Als ik terug kijk naar de big data training die ik onlangs heb gehad van Arcitura (met dank aan Paul Buhler), hebben Big Data oplossingen altijd betrekking op de 3 V’s. Namelijk: Volume, Variety, Velocity.

Wanneer ik deze 3 kenmerken over de traditionele analyse methoden die in productieomgevingen worden gebruikt leg, lijkt eigenlijk alleen het volume aspect misschien een rol te spelen.

Er is vaak niet echt sprake van een grote variatie aan gegevensbronnen/formaten. De meestal bronnen zijn vaak machines data (OPC), SCADA , sensor data of andere systemen (ERP, MES). Het bevind zich meestal netjes binnen de grenzen van de organisatie en is voorzien van structuur. Heel anders dan bijvoorbeeld gegevens die afkomstig zijn uit tweets en door text analyse verwerkt moeten worden.

De aspecten Volume en Velocity (snelheid) kunnen soms een rol spelen. Echter, in de meeste productieomgevingen is dit met de huidige moderne hardware ook niet echt een uitdaging.

We spreken binnen het manufacturing domein dus wel van geavanceerde data analyse toepassingen, maar nog niet van big data analyse toepassingen.

Van ‘Big Data’ to ‘Big Optimization’
– De feedback-loop

Om alvast een voorschot te nemen op mijn volgende blog posting – eigenlijk willen we de 3 V’s kunnen gebruiken als aanvulling op wat we nu al gebruiken in productieomgeving.

De 3V’s van Big Data bieden ons de mogelijkheid om naast de traditionele data analyse methoden (waarbij we terugkijken naar wat er is gebeurd), ook direct sturing te gaan uitoefenen op het toekomstige proces – Een feedback loop!

We krijgen dan te maken met de volgende databronnen:

  • Historische data (afkomstige uit bijv. een ERP systeem)
  • Huidige data (afkomstige uit een MES oplossing)
  • Voorspellende data (afkomstig uit Big Data Analytics toepassingen)

Ik ben zelf van mening dat een Big Data feedback-loop veel waarde kan toevoegen. Het is ook een essentieel element voor het optimaliseren van productieprocessen en de planning hiervan.

Wat zou een toepassing kunnen zijn van dit Big Data feeback-loop principe? Hierover de volgende keer meer…

Share on LinkedIn25Tweet about this on TwitterEmail this to someoneShare on Google+0Share on Facebook5

2 Comments

  • By Nick Moesker, 15 februari, 2016 @ 09:48

    Hoi Marcel,

    Interessante blog, dit sluit perfect aan bij mijn afstudeeronderzoek. Lijkt me goed om hierover van gedachten te wisselen.

    Nick Moesker
    Afstuderend student Industrial Engineering and Management

  • By Evelien Wijers, 20 juni, 2017 @ 12:13

    Interessante blog. Ik ben zelf marketing data analist en werk ook al jaren met grote hoeveelheden data. Ik zie nog steeds niet het verschil tussen de de data die binnen datamining en predictive modelling die al jaren in marketing data analyses wordt gebruikt t.o.v. de zogenaamde big data die ineens door BI is “ontdekt”. Zodra we binnen database marketing ook FB data, webwinkeldata en andere social media gaan gebruiken is big data een naam waarvan ik zeg OK. Dan hebben we het over nog meer dan veel. Maar zolang die internetdata er niet bij betrokken wordt is big data een al bestaande vorm in andere termen. Kijk naar alle data van de telecom of alle data binnen banken of credit card maatschappijen. Zij doen al sinds de jaren 90 aan Big data. Hoe denk jij hierover? Zie jij verschil?

    Groeten
    Evelien

Other Links to this Post

RSS feed for comments on this post.

Leave a comment

WordPress Themes