{"id":8981,"date":"2022-09-20T16:59:38","date_gmt":"2022-09-20T14:59:38","guid":{"rendered":"https:\/\/www.fluentis.com\/blog\/manufacturing-data-excellence\/"},"modified":"2023-12-01T10:20:26","modified_gmt":"2023-12-01T09:20:26","slug":"manufacturing-data-excellence","status":"publish","type":"post","link":"https:\/\/www.fluentis.com\/hr\/blog\/manufacturing-data-excellence\/","title":{"rendered":"Manufacturing Data Excellence: kako vrednovati podatke"},"content":{"rendered":"\n

Ve\u0107 vi\u0161e od deset godina cijela proizvodna industrija nastoji i\u0107i ukorak s vremenom kori\u0161tenjem 4.0 i data-driven modela. Me\u0111utim \u2013 sada vi\u0161e nego ikad \u2013 sve je te\u017ee prilagoditi se novoj dinamici jer su tr\u017ei\u0161ta sve konkurentnija i stalno se razvijaju. Svemu tome je dodana potreba tvrtki da usklade tradicionalne proizvodne potrebe s onima koje se odnose na kvalitetu proizvoda, stvaranje sve vi\u0161e prilago\u0111enih lotova i ekolo\u0161ku odr\u017eivost.<\/p>\n\n\n\n

Prevladavanje ovih slo\u017eenih izazova zahtijeva napredne podatkovne i analiti\u010dke mogu\u0107nosti. Odluke koje imaju presudan utjecaj na proizvodni proces uvijek se moraju temeljiti na stvarnim \u010dinjenicama i podacima, a ne na pretpostavkama, teorijama ili mi\u0161ljenjima<\/strong>. Prema anketi koju je proveo BCG \u2013 Boston Consulting Group \u2013 80% rukovoditelja u proizvodnom sektoru smatra podatke i analize relevantnima za svoje poslovanje, ali samo 17% od 1300 intervjuiranih rukovoditelja izjavilo je da su uspjeli dobiti dodanu vrijednost ulaganjem u ovakav pristup<\/strong>.

Nepodudarnost koja je upravo istaknuta mo\u017ee se pripisati tehnolo\u0161kim i organizacijskim preprekama, kojima doprinosi nedostatak suradnje izme\u0111u razli\u010ditih dionika unutar i izvan tvrtke.<\/p>\n\n\n\n

Kako bi iskoristili snagu podataka unutar tvrtke i kroz opskrbni lanac, tvrtke mogu koristiti tri strategije.<\/p>\n\n\n\n

Kori\u0161tenje pristupa Pametne proizvodnje (Smart Manufacturing<\/strong>)<\/h3>\n\n\n\n

Na ovaj na\u010din, pristup koji se temelji na podacima prote\u017ee se izvan procesa proizvodnje jednog proizvoda: rezultat je \u0161iri projekt, koji vidi daljinsko upravljanje, prediktivno upravljanje odr\u017eavanjem i me\u0111usobno povezivanje strojeva kao protagoniste. , itd.<\/p>\n\n\n\n

Ja\u010danje organizacijske strukture za u\u010dinkovitije upravljanje podacima<\/strong><\/h3>\n\n\n\n

Ovo je aspekt koji se mora usredoto\u010diti na upravljanje i valorizaciju podataka u 360 stupnjeva, uklju\u010duju\u0107i upravljanje podacima, sigurnost podataka, podatkovne arhitekture i integraciju me\u0111u njima, kao i pojedina\u010dne aplikacije i vje\u0161tine strate\u0161ke analize.<\/p>\n\n\n\n

Usmjerenje resursa i ulaganja na klju\u010dne elemente digitalne transformacije<\/strong><\/h3>\n\n\n\n

Me\u0111u tehnologijama na kojima se temelji digitalna transformacija nalazimo IoT senzore i strujanje podataka: sposobnost se sastoji u mogu\u0107nosti koordiniranja ovog heterogenog skupa informacija – \u010dak i onih koje dolaze iz visoko distribuiranih arhitektura – kako bi se njima upravljalo na najprikladniji na\u010din.<\/p>\n\n\n\n

Manufacturing Data Excellence<\/h2>\n\n\n\n

Uspjeh prethodno definiranih strategija odre\u0111en je sposobno\u0161\u0107u vrednovanja podataka o proizvodnji.
<\/strong>McKinsey u svom istra\u017eivanju The Data-Driven Journey Towards Manufacturing Excellence definira put usmjeren ka optimalnom upravljanju podacima, postizanje toliko \u017eeljene izvrsnosti proizvodnih podataka.<\/p>\n\n\n\n

Predstoje\u0107i put sastoji se od tri koraka, predvi\u0111aju\u0107i u svakoj fazi postupno pove\u0107anje analiti\u010dkih sposobnosti i sposobnosti suradnje s razli\u010ditim vanjskim akterima. U nastavku navodimo razli\u010dite korake.<\/p>\n\n\n\n

Razvijanje i integracija aplikacija sposobnih za pra\u0107enje i optimizaciju operativnih procesa<\/strong><\/strong><\/h3>\n\n\n\n

Ovo je faza koju su mnoge tvrtke ve\u0107 zapo\u010dele. Dobivanje podataka dolazi iz integracije izme\u0111u IoT senzora – ili drugih kontrolnih sustava – s MES i ERP sustavima. Putem nadzornih plo\u010da i izvje\u0161\u0107a, upravitelji podru\u010dja mogu optimizirati u\u010dinkovitost proizvodnje, u skladu s modelom Industrije 4.0<\/strong>. Ovaj prvi korak, igra temeljnu ulogu, jer ako se pravilno izvede, mo\u017ee potaknuti izvo\u0111enje agilnijih i u\u010dinkovitijih operacija.<\/p>\n\n\n\n

Promicanje usvajanja prediktivnog pristupa<\/strong><\/strong><\/h3>\n\n\n\n

Sastoji se od autonomnog prepoznavanja napretka poslovnih procesa, zahvaljuju\u0107i umetanju velike koli\u010dine podataka unutar algoritama strojnog u\u010denja. Cilj je predvidjeti budu\u0107e pona\u0161anje, poma\u017eu\u0107i tvrtkama da se nose s mogu\u0107im situacijama \u2013 prediktivno odr\u017eavanje ili predvi\u0111anja potra\u017enje. Budu\u0107i da kvaliteta prediktivne analize ovisi o koli\u010dini dostupnih informacija, postoji poticaj za pove\u0107anje prikupljanja podataka unutar tvrtke<\/strong>. Ovdje se predvi\u0111anje budu\u0107ih radnji seli iz opskrbnog lanca u razli\u010dite operacije tvrtke, uklju\u010duju\u0107i sve vi\u0161e dionika i pove\u0107avaju\u0107i u\u010dinkovitost u usporedbi s prethodnom to\u010dkom.<\/p>\n\n\n\n

Omogu\u0107ite samooptimiziraju\u0107e \u2013 ili autonomne \u2013 sustave<\/strong><\/strong><\/h3>\n\n\n\n

Do\u0161li smo do posljednje faze: podaci se koriste za omogu\u0107avanje autonomnih sustava, tj. interoperabilnih platformi ili mre\u017ea sposobnih djelovati autonomno, koji ne zahtjevaju ljudsku intervenciju.

Procesi se na taj na\u010din upravljaju sami, koriste\u0107i povijesne i aktualne podatke kao ulazne parametre za algoritme za samou\u010denje \u2013 ili algoritme za samoobu\u010davanje \u2013 koji postaju pametniji kako se njihovo iskustvo pove\u0107ava.<\/p>\n\n\n

\n
\"\"<\/figure>\n<\/div>\n\n\n
<\/div>\n\n\n\n

Put prema proizvodnoj izvrsnosti jo\u0161 je dug, sama paradigma vo\u0111ena podacima neprestano se razvija, stoga \u0107e proizvodne tvrtke morati dr\u017eati korak, u procesu stalnog pobolj\u0161anja.<\/p>\n","protected":false},"excerpt":{"rendered":"

Ve\u0107 vi\u0161e od deset godina cijela proizvodna industrija nastoji i\u0107i ukorak s vremenom kori\u0161tenjem 4.0 i data-driven modela. […]<\/p>\n","protected":false},"author":4,"featured_media":4318,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[32],"tags":[],"class_list":["post-8981","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tehnoloski-trendovi"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts\/8981","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/comments?post=8981"}],"version-history":[{"count":5,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts\/8981\/revisions"}],"predecessor-version":[{"id":11005,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/posts\/8981\/revisions\/11005"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/media\/4318"}],"wp:attachment":[{"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/media?parent=8981"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/categories?post=8981"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.fluentis.com\/hr\/wp-json\/wp\/v2\/tags?post=8981"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}