Raskas teollisuus ja big datan kirous

Big datasta puhutaan paljon eikä vähiten tällä foorumilla; joillekin tahoille siitä on kuitenkin tullut lähes kirosana. Usein raflaavia esimerkkejä big dataan liittyen kerrotaan aloista, joissa analysoidaan käsittämättömän paljon tietoa. Näitä ovat muun muassa ihmisen genomidatan analysoinnin avulla kehittyvä personoitu lääketiede sekä valtavan määrän asiakasdataa analysoivat kansainväliset verkkokaupat. Hienoja asioita sinänsä, mutta eivät nämä esimerkit välttämättä puhuttele perinteisempien alojen, kuten raskaan teollisuuden edustajia ollessaan liian kaukana heidän arkitodellisuudestaan. Tästä johtuen jotkut saattavat jopa karttaa big datalla otsikoituja juttuja. Toinen lähestymistapa on, että ”suuri data” ei koske meitä, vaan ennemminkin ”ei niin suuri data”, jos sekään. Molemmat näkökulmat vaikeuttavat big data -ratkaisujen hyödyntämistä, vaikka niillä on suuri potentiaali tuoda lisäarvoa raskaan teollisuuden ja muiden perinteisten alojen yrityksille.

Prosessi- ja konepajateollisuudessa kerätään paljon dataa, mutta se missä muodossa sitä nykyään käytetään ei välttämättä mene big data –määritelmien sisälle. Tämä ei tietenkään tarkoita, etteikö tuon datan jalostaminen toisi arvoa yrityksille, mutta se ei myöskään tarkoita sitä, ettei yritysten data olisi big dataa. Dataa vain käytetään formaatissa, joka on jo osittain pureskeltua, esimerkiksi tuotanto- ja laaturaporttien muodossa. Ei siis ihme jos näiden teollisuudenalojen edustajat saattavat suhtautua varauksella big dataan, koska he eivät juuri näe big dataa omassa toiminnassaan. Kuitenkin, jos katsotaan tarkemmin tuotannonohjausjärjestelmiä ja sensoridataa, mitä tuotantokoneista rutiinisti kerätään, voidaan puhua datasta jonka voi hyvinkin luokitella big dataksi. Niin kutsuttua raakadataa kerätään tuotannossa jatkuvasti prosessista riippuen sadoista muuttujista kymmeniin tuhansiin muuttujiin, tiheimmillään millisekuntien välein. Tämän lisäksi dataa kerrytetään muun muassa elektronisiin huoltokirjoihin ja asiakasrekistereihin. Itse raakadataa kuitenkin harvoin käytetään sellaisenaan, vaan asioita seurataan pääasiassa perinteisesti laadittujen raporttien, keskiarvojen ja muiden typistettyjen tunnuslukujen kautta.

Miksi raakadataa siis kerätään, mutta siitä ei oteta kaikkea irti? Syitä tähän on varmasti useita, mutta kiinnostavampaa on se, mitä arvoa raakadatan laajempi hyödyntäminen toisi raskaalle teollisuudelle. Ensimmäiseksi, raakadatan täysimääräinen hyödyntäminen monimuuttuja-analyysien avulla toisi syvempää ymmärrystä siitä, mitä prosessissa tapahtuu, miksi tapahtuu ja miten eri tekijät vaikuttavat toisiinsa prosessin eri vaiheissa. Syvempi ymmärrys auttaa esimerkiksi havaitsemaan haitallisiin trendeihin johtavia syitä ja optimoimaan tuotantonopeutta sekä laatua. Toiseksi, raakadatan analysoinnin kautta voidaan myös havaita yksittäisiä ongelmatilanteita, joita normaalisti havaitsevat vain kaikkein kokeneimmat, paljon hiljaista tietoa omaavat, työntekijät. Joskus nyrkkisääntönä laatuvirheiden havaitsemisessa voi olla kokeneen työntekijän haju- tai kuuloaisti. Usein myös kerätystä raakadatasta voidaan havaita laatuvirheet ja löytää lisäksi selittävät tekijät poikkeamille riippumatta siitä, kuinka kokenut henkilö on työvuorossa.

Kolmantena, ja ehkä tärkeimpänä raakadatan analysoinnin kautta saatavana hyötynä on mahdollisuus reaaliaikaiseen analytiikkaan ja sen avulla poikkeamien ennakointiin ennen taloudellisen vahingon syntymistä. Monilla tehtailla otetaan itsestäänselvyytenä, että aika ajoin tuotanto pysähtyy suunnittelemattomasti tai välillä syntyy syystä tai toisesta huonoa laatua ja hukkaa. Tällöin juurisyyt pyritään selvittämään ja ongelma korjaamaan mahdollisimman nopeasti. Tällaisten ongelmatilanteiden kustannukset ovat suuria ja ideaalitilanne olisikin, ettei kyseisiä poikkeamia ikinä tapahtuisi. Raakadatan reaaliaikainen analytiikka mahdollistaa ongelmiin puuttumisen aiempaa nopeammin ja siten pystytään parhaimmillaan estämään poikkeamat ennakoivasti.

Big data ja data-analytiikka eivät siis ole vain modernien toimialojen etuoikeus vaan niiden hyödyntäminen tuo valtavasti arvoa myös perinteisemmille toimialoille. Loppujen lopuksi on kyse yksinkertaisesta ja toimialarajat ylittävästä asiasta: kerättyä dataa paremmin ymmärtämällä voidaa paremmin kehittää liiketoimintaa.

Emil Ackerman

Emil on Quva Oy:n toimitusjohtaja ja yksi perustajista. Asiakkaalle arvoa tuottavien ratkaisujen löytäminen on hänen päätyötään ja tukenaan hänellä on kansainvälisestikin menestyneet Quvan analytiikka- ja ohjelmistogurut. Emilin oma tausta on teollisen palveluliiketoiminnan kehityksessä.

Quva Oy
Quva Oy on tamperelainen ohjelmistoyritys, joka keskittyy asiakkaiden liiketoiminnan tukemiseen luomalla ymmärrystä ja arvoa datasta. Quva Oy on toteuttanut liiketoimintaa tukevia analytiikkaratkaisuja useille eri toimialoille mukaan lukien prosessi-, konepaja-, energia- ja turvallisuusteollisuus. Ratkaisut auttavat asiakkaita toimimaan ennakoivasti, ymmärtämään paremmin omia prosessejaan, luomaan uutta liiketoimintaa ja tekemään merkittäviä kustannussäästöjä.
Avainsana: 

Leave a comment

Filtered HTML

  • Www-osoitteet ja email-osoitteet muutetaan automaattisesti linkeiksi.
  • Sallitut HTML-tagit: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd>
  • Rivit ja kappaleet päätetään automaattisesti.

Plain text

  • No HTML tags allowed.
  • Www-osoitteet ja email-osoitteet muutetaan automaattisesti linkeiksi.
  • Rivit ja kappaleet päätetään automaattisesti.
Roskapostitorjuntaa.