Digitalisaatiossa tuumasta toimeen, vinkkejä ensi askeliin
•Download as PPTX, PDF•
0 likes•412 views
Pekka Savolaisen esitys Teollisuus ja digitalisaatio -seminaarissa 3.9.2015
Recommended
Recommended
More Related Content
Viewers also liked
Similar to Digitalisaatiossa tuumasta toimeen, vinkkejä ensi askeliin
Similar to Digitalisaatiossa tuumasta toimeen, vinkkejä ensi askeliin (20)
More from Affecto
More from Affecto (20)
Digitalisaatiossa tuumasta toimeen, vinkkejä ensi askeliin
- 1. Digitalisaatiossa tuumasta toimeen, vinkkejä ensi askeliin Teollisuus & Digitalisaatio 3.9.2015 Pekka Savolainen Manager, Business Consulting Affecto Finland Oy pekka.savolainen@affecto.com 050 548 4014 @savolainen_p
- 2. @savolainen_p Sisältö • Affecto ja minä - tosi lyhyesti • Digitalisaatio – lyhyesti • Kuinka tarttua tuumasta toimeen
- 4. @savolainen_p Affecto • Tiedolla johtamisen ratkaisuihin erikoistunut palveluyritys Pohjois-Euroopassa • Asiakaskunnassamme näkyvin kasvava alue on digitalisaatio, Internet of Things, ja teollinen internet markkinajohtaja pohjoismaissa Denmark Estonia Finland Latvia Lithuania Norway Poland Sweden liikevaihto 2014 työntekijää #1 asiakasta 900+ 1000+ 123 milj. EUR
- 5. @savolainen_p Minä • 37-vuotias ohjelmistotekniikan DI, yli 15 vuoden kokemus erilaisten IT-projektien toteuttamisesta, johtamisesta ja konsultoinnista • Affectolla tehtävänä internet of things konseptointi ja innovointi asiakkaidemme kanssa • Harrasteena mökkeily, IoT-värkkien rakentelu, höntsäsähly ja touhuilu kahden taaperon kanssa
- 7. @savolainen_p Digitalisaatio • Digitalisaatio muuttaa päätöksentekoa kaikilla organisaatiotasoilla • Historiatiedon perusteella rakennettujen mallien tuottamia ennusteita tulevasta • Rutiinityön automatisointi perustapauksien autonomisella käsittelyllä ja poikkeustapauksien nostamalla ihmisten käsiteltäväksi • Digitalisoituminen on muutos ajattelutavoissa ja toimintamalleissa – teknologia on jo täällä • Muutoksen keskiössä on asiakas • Muutos johtaa uudenlaisiin yhteistyömalleihin ja toimialojen sulautumiseen.
- 13. @savolainen_p Onnistu tai kämmi vauhdilla • Lean start up • Minimum viable product (MVP) • Palaute todelliselta asiakkaalta – kyllä, ei, kyllämutta • Protoilu • Digitaaliset testailut • Kolvatut viritelmät • Datakeskeiset kokeilut
- 14. Onnistu tai kämmi vauhdilla @savolainen_p
- 15. Onnistu tai kämmi vauhdilla @savolainen_p
- 16. @savolainen_p Kämmi vauhdilla • Ratkaisuissa käyttämämme komponentit sopivat protoiluun. Tuotantokäyttöön siirtyminen vaatisi asioiden tuotteistamisen.
- 18. @savolainen_p Asioita, jotka kohtaat • Sensorointi
- 19. @savolainen_p Asioita, jotka kohtaat • Sensorointi • Tiedonsiirto
- 20. @savolainen_p Asioita, jotka kohtaat • Sensorointi • Tiedonsiirto • Tiedon tallennus
- 21. @savolainen_p Asioita, jotka kohtaat • Sensorointi • Tiedonsiirto • Tiedon tallennus • Tiedon analysointi
- 22. @savolainen_p Asioita, jotka kohtaat • Sensorointi • Tiedonsiirto • Tiedon tallennus • Tiedon analysointi • Mallien vieminen tuotantoon
- 24. @savolainen_p Katsaus syvään veteen • Tiedon hyödyntämiseen perustuvat ratkaisut vaativat aina tietolähteen, paikan tallentaa tieto ja tavan analysoida tietoa. Hyötyihin päästään käsiksi vasta, kun lopputulokset viedään osaksi operatiivista toimintaa.
- 25. @savolainen_p Katsaus syvään veteen Analytiikka Muut tietolähteet Sensoroidut laitteet Operatiiviset järjestelmät • Tyypillinen ensimmäisen vaihteen ratkaisu ideatasolla on kuvattu alla. • Olemassa olevan IT-järjestelmän rinnalle on lisätty erillinen big data varasto, johon kertyvän tiedon pohjalta suoritetaan tiedon analysointiprojekteja, joiden lopputulokset viedään tuotantoon analytiikkaprojekteina. Big data varasto Data science
- 26. @savolainen_p Tuumasta toimeen Vinkki: Nyt on hyvä hetki aloittaa @savolainen_p
- 27. Kiitos! Pekka Savolainen Manager, Business Consulting Affecto Finland Oy pekka.savolainen@affecto.com 050 548 4014 @savolainen_p
Editor's Notes
- DIGITALISOITUMINEN NÄKYY ERI TOIMIALOILLA ERI NIMILLÄ. TÄMÅN ESITYKSEN FOKUKSESSA IoT
- Teollisuuden analytiikka on muutakin kuin ennakoiva kunnossapito -asiakasanalytiikka: maksimoi asiakkaan saama arvo: optimoi toimenpiteet koko elinkaaren ajan Myynnin analytiikka: kysynnän ennustaminenn, tarjonnan optimointi, hinnoittelun optimointi jne Palvelulullistuminen
- Cynefin-malli on yksi tapa mallintaa asioiden monimutkaisuutta. Ei mennä syvemmälle itse malliin, mutta tarkastellaan heti sen nelikenttää. Liian usein käytämme meille tuttuja oikean reunan työkaluja vasemman reunan haasteisiin. Digitalisaatio ja IoT ovat komplekseja asioita. Niitä ei tule johtaa tai ratkaista parhaiden käytäntöjen työkaluilla. Tarpeeseen sopivat paremmin kevyet kokeilutekniikat ja nopea oppiminen.
- Ideasuppilo Mistä saada tavaraa suppiloon Ei varaa toteuttaa kaikkia ideoita Yläpää: Yrityksen visio, Työntekijöiden ideat, Asiakkaiden ideat ja palaute, Kerätyn datan potentiaali - KULTTUURI Fasilitointitekniikat, Innovointitekniikat, Palvelumuotoilun välineet Aloita mahdollisuudesta, älä ongelmasta Alapää: Mitkä ideat valita ja miten testata ne kevyesti (Tee niistä pieniä!) Tee ideoista pieniä: nopea ja edullinen kokeilla, pieni riski Elefantti kannattaa syödä pala kerrallaan – aloita sisäfileestä
- Kerro mobiilipelikehityksen example Lean-startup (2011 by Eric Ries) Tuotteiden ja liiketoiminnan kehitysmalli, joka on suosittu startup-maailmassa: iteratiivinen ja asiakaskeskeinen menetelmä, joka testaa uusia ideoita pienellä riskillä Mikä on pienin lisäarvoa tuottava asia, jonka voimme tehdä testataksemme ideaamme? Mitä asiakkaamme ajattelee aiheesta? Kyllä, ei, kyllämutta
- Erilaisia pieniä tekemiämme protoja Kasvihuone Pakastimen etävalvonta Parkkivasikka Työmäärä alle 1 vko Hinta alle 100 €
- Erilaisia tekemiämme olemassa olevan datan analyysejä - Koneen käyttötietojen analyysi (polttoaineen kulutus vaihteli) - Koneen sensoriarvoja estimoiva malli - Koneen osan elinkaaren mallinnus
- Arduinot ovat avoin protoiluympäristö, johon sisältyy tarkoitukseen sopiva piirilevy sekä ohjelmointiympäristö. Piirilevyyn voi liittää erilaisia antureita ja lisätoiminnallisuutta tuovia kilpiä. Vastaavia ympäristöjä on tarjolla myös monia muita, esimerkiksi Intel Edison ja Raspberry pi. IBM Bluemix on IBM:n pilviympäristö, joka sopii hyvin protoiluun. Muita vastaavia ovat esimerkiksi Elisa Thingworx, Microsoft Azure jne. Eri ympäristöjen tarjoamissa palveluissa on luonnollisesti eroja. Tiedon analysointiin käytettävissä ilmaiseksi esimerkiksi R-kieli tai Knime
- Laitteiden sensoroinnin taso ja tyypillinen toimintamalli Ei sensoreita Mitä kannattaa mitata? Retrofit tärkeimmät mittaukset sisältävällä laitteella Analogiset sensorit Uusi komponentti, joka digitalisoi keskeisimmät mittarit ja jakaa tiedon Digitaaliset sensorit Uusi komponentti, joka lukee tietoa esimerkiksi väylältä ja jakaa tiedon Liitetty verkkoon Hyödynnetään kertynyttä tietoa. Usein muodostuu silti tarve muodostaa erillinen big data ratkaisu, koska esimerkiksi automaatiojärjestelmät ja historian-tyyppiset ratkaisut summaavat tietoa ajan myötä
- (W)LAN käytössä tai luotavissa Hyödynnetään olemassa olevaa verkkoa tai luodaan tarvittaessa erillinen verkko tiedon ulosvientiä varten. Mahdollistaa raakadatan siirron. Tiedonsiirto puhelinverkon/satelliittiyhteyksien kautta Siirretään vain keskeiset tapahtumat (esim. hälytykset) Raakadata voidaan tallentaa paikallisesti ja esimerkiksi noutaa määräajoin. Ei verkkoa saatavilla Kaiken tarvittavan ”älyn” vieminen laitteeseen Raakadata voidaan tallentaa paikallisesti ja esimerkiksi noutaa määräajoin.
- Sensoridata täyttää usein big datan klassisen 3V-määritelmän: sitä kertyy paljon, kasvavalla tahdilla ja eri laitteiden tuottama tieto on eri muotoista. Sensoridataa voi aina käsitellä big datana tallentamalla kaikki saatavilla oleva tieto. Myöhemmin selviää mikä osa siitä on lopulta arvokasta. Käytännössä harvoin osataan tallentaa etukäteen kaikkea hyödyllistä dataa järkevässä muodossa (esim. huoltotiedot). Datan kerääminen talteen etukäteen voi silti olla järkevää, jos se on kustannuksiltaan edullista. Tyypillinen ratkaisu on Hadoop/NoSQL-kanta pilvessä.
- Kerätty raakadata mahdollistaa sen visualisoinnin ja matemaattisen tutkimisen. Yleensä analyysit pyrkivät etsimään vastausta johonkin kysymykseen tai hypoteesiin. Analyysin malli voi olla suoraan hyödyllinen liiketoiminnalle: ”jostain syystä koneemme vikaantuvat 40% useammin, jos ulkolämpötila on yli 40 astetta”. Vaihtoehtoisesti saatetaan haluta rakentaa malli havaitun ilmiön ennustamiseen jatkossa. Analysointi vaatii lähtökohtaisesti yhteistyötä liiketoimintaa/datan lähdettä hyvin ymmärtävältä taholta (tyypillisesti asiakkaan edustaja) ja tilastollisia menetelmiä tietoon soveltavilta data scientisteiltä. Tiedon visualisointiin on olemassa lukuisia työvälineitä, myös monet olemassa olevat raportointivälineet sopivat käyttöön. Matemaattisempi analyysi voidaan suorittaa esimerkiksi ilmaisella R-kielellä.
- Kun kiinnostava ilmiö on saatu mallinnettua, sitä aletaan suorittaa kertyvää dataa vasten. Näin voidaan luoda uudenlaisia liiketoiminnalle kiinnostavia jalostettuja mittareita raakatiedon pohjalta tai kytkeä lopputuloksia suoraan operatiivisiin järjestelmiin. Esimerkiksi ennuste osan vikaantumisesta 2 päivän sisällä voi luoda automaattisen huoltotehtävän ja varaosatilauksen. Teknisiä ratkaisuja on käytettävissä paljon ja sopivin riippuu mallin monimutkaisuudesta, tietomääristä ja reaaliaikavaatimuksista. TIETOTURVA: MUREHDI SIITÄ MYÖHEMMIN
- Vain pieni osa laitteiden tuottamasta tiedosta viedään operatiivisiin järjestelmiin Big data –järjestelmiin viedään paljon dataa, schema on read, missä arvo piilee?