7 essentiële stappen voor een succesvolle end-to-end implementatie van Manufacturing Analytics

Manufacturing analytics is een krachtige, data-gedreven methode die je kan helpen de cost drivers in je operaties te identificeren. In een van onze vorige blogs kun je meer lezen over hoe je deze cost drivers kunt blootleggen met behulp van manufacturing analytics. Toch leert de praktijk ons dat 87% van alle analytics projecten niet de verwachte waarde opleveren voor het bedrijf. Ze blijven steken in de pilot-fase.

Een van de belangrijkste redenen waarom manufacturing analytics projecten falen, is de misvatting dat simpelweg het investeren van veel geld in een project of technologie succes garandeert. Deze aanpak is niet voldoende om de gewenste resultaten te bereiken. Een andere cruciale factor is data, waarbij het zwaard aan twee kanten snijdt: het maakt al deze analyses mogelijk, maar de meeste organisaties zijn sterk gesiloed, geplaagd door onvoldoende samenwerking en ineffectieve communicatie. Een gestructureerde aanpak van je analytics transformatie kan dit risico helpen verminderen (figuur 1).

Succesvol worden met manufacturing analytics begint aan de top. Senior executives moeten op één lijn zitten wat betreft het overkoepelende bedrijfsprobleem dat opgelost moet worden en toegewijd zijn om zowel hun eigen tijd als die van hun teams te investeren in het uitvoeren van de analytics roadmap. Dit begint meestal met een ideatiefase waarin de toekomstige visie gecreeërd wordt en high-value use cases worden geidentificeerd. Je use cases moeten duidelijk gedefinieerd zijn. Ze moeten een specifiek doel hebben en duidelijke waarde bieden. Zonder een goed gedefinieerde use case voor manufacturing analytics kunnen je inspanningen richting en focus missen, wat mogelijk leidt tot een ineffectieve toewijzing van middelen.

Zorg er daarnaast voor dat je huidige data-infrastructuur de analytics transformatie aankan. Je moet voldoende data beschikbaar hebben, afkomstig van platforms zoals je ERP-systeem en productieregistraties. Maar alleen kwantiteit is niet genoeg; datakwaliteit is net zo cruciaal. Denk aan het adagium: garbage in, garbage out. Als je data onbetrouwbaar of onvolledig is, zullen je analyse-resultaten ook worden beïnvloedt. Neem de tijd om de kwaliteit en volledigheid van je data te verifiëren voordat je aan je analytics reis begint.

Een derde dimensie om te overwegen voordat je met manufacturing analytics aan de slag gaat is het operationele model. Projectteams zullen hoogstwaarschijnlijk cross-functioneel te werk gaan, bestaande uit zowel domeinexpertise (bijvoorbeeld materiedeskundigen) als methodologie-expertise (bijvoorbeeld data scientists, data engineers). Je moet de optimale manier zien te vinden voor de manier van werken (bijvoorbeeld de agile methodologie), de analytics benadering (bijvoorbeeld root cause analysis, machine learning, etc.) en de technologische stack voor het ontwikkelen en implementeren van de oplossing.

Op basis van de succescriteria die in de vorige sectie zijn besproken, hoe zou een typisch proces eruit kunnen zien voor het implementeren van manufacturing analytics?

1. Uitdagingen en knelpunten identificeren: Begin met het identificeren van de uitdagingen en knelpunten in je operatie. Deze inzichten zullen de drijvende kracht worden voor je analyses en je uiteindelijk leiden naar optimalisatiemogelijkheden.
2. Identificeer een high-value use case: Met een duidelijk beeld van je uitdagingen, definieer een specifieke use case met een duidelijke toegevoegde waarde. Deze use case moet:
   • i. een dringende behoefte binnen je organisatie aanpakken,
   • ii. het potentieel hebben om tastbare resultaten te produceren, en
   • iii. uitvoerbaar zijn (bijvoorbeeld de vereiste data is beschikbaar).
3. Verzamel eindgebruikersvereisten: verzamel een overzicht van de behoeften van eindgebruikers door middel van interviews en work shadowing om zo tot gedetailleerde user journeys en impactvolle visualisaties te komen.
4. Potentiële cost drivers begrijpen: Duik diep in je operatie om alle cost drivers te identificeren. Of het nu gaat om arbeidskosten, grondstofgebruik, apparatuur efficiëntie, of energieverbruik; het volledig begrijpen van deze factoren is essentieel om kostenreductie tot stand te brengen.
5. Verzamel relevante data: Zodra je je use case en potentiële cost drivers hebt geïdentificeerd, is het tijd om de relevante data te verzamelen. Dit kan data zijn afkomstig uit je ERP-systeem, MES-data, sensordata, productieregistraties, en meer. Het is belangrijk om voldoende data beschikbaar te hebben – maar ook dat de data van voldoende kwaliteit is.
6. Modelleer en kwantificeer cost drivers: Met de data binnen handbereik kun je beginnen met het modelleren en kwantificeren van de impact van je cost drivers op de totale kosten. Het is cruciaal om hiervan een cross-functionele inspanning van te maken tussen materiedeskundigen (bijvoorbeeld procesingenieurs, operations managers) en specialisten in analytics. Op deze manier krijg je namelijk inzicht in hoe veranderingen aan deze cost drivers kunnen leiden tot kostenbesparingen en efficiënties.
7. Actie ondernemen en verandering aansturen: Gewapend met de inzichten uit je analyse, is het tijd om actie te ondernemen. Of het nu gaat om het optimaliseren van processen, het heralloceren van middelen, of het integreren van nieuwe technologieën, je kunt je nieuwe kennis gebruiken om betekenisvolle veranderingen te initiëren en kosten te verlagen in je hele operatie.