Affecto Forum 2015 - Kati Hagros (Kone): Teollisuuden digitransformaatio – hy...
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
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.
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.
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?