Nowa waluta przemysłu. Data-driven management

Trzydzieści lat temu najcenniejszym zasobem fabryki bywał notes mistrza zmiany. W kieszeni nosił nie tylko plan, ale całą nieformalną „mapę ryzyka” zakładu, obejmującą odrzut, informację, kiedy lepiej wymienić łożysko, zanim linia stanie na dwa dni. Działało to dobrze. Problem pojawiał się wtedy, gdy mistrz odchodził z firmy, a razem z nim znikała wiedza, której nikt wcześniej nie zapisał.

Dziś przemysł wygląda inaczej. Fabryki są pełne czujników, systemów MES, SCADA, danych jakościowych, energetycznych i informacji z utrzymania ruchu. Maszyny bez przerwy generują tysiące danych, a większość z nich jest rejestrowana i zbierana. Można pomyśleć, że to wystarczy, aby odnieść sukces. Tyle że samo zbieranie informacji jeszcze niczego nie zmienia. Prawdziwa wartość pojawia się, gdy ktoś z tych danych wyciąga wnioski i podejmuje decyzje, a na produkcji coś się naprawdę zmienia.

W wielu organizacjach problemem nie jest dziś brak danych, ale ich nadmiar, z mojego doświadczenia – obecny niemal w każdej większej fabryce. Firmy zbierają wszystko: alarmy, temperatury, czasy cykli, postoje, wyniki kontroli jakości, zużycie energii, tylko że później okazuje się, że nikt nie potrafi odpowiedzieć na kilka prostych pytań:

• Dlaczego jedna zmiana produkuje wydajniej od drugiej?
• Dlaczego reklamacje dotyczą tylko wybranych partii?
• Dlaczego przezbrojenie raz trwa dwadzieścia minut, a innym razem prawie godzinę?
• Dlaczego ta sama linia zużywa więcej energii nocą niż rano?

Wiele firm po prostu nadal działa bardziej na wyczucie niż opierając się na danych. Powstają raporty, KPI wiszą na tablicach, ale decyzje często dalej podejmowane są intuicyjnie. Dobrym przykładem są mikroprzestoje. W jednej z fabryk spożywczych pojedyncze zatrzymania linii trwały po kilkanaście czy kilkadziesiąt sekund. Operatorzy restartowali maszynę i produkcja ruszała dalej. Na pierwszy rzut oka problem wydawał się niewielki. Dopiero dokładne dane pokazały, że po zsumowaniu krótkich zatrzymań firma traci ponad 10 proc. czasu produkcyjnego miesięcznie. Przyczyna okazała się prosta. Po zmianie dostawcy opakowań jeden z czujników miał źle ustawioną tolerancję (kilka dziesiątych milimetra różnicy). Korekta zajęła kilka godzin pracy technika, a oszczędności były liczone w setkach tysięcy złotych rocznie. Tak dziś wygląda przewaga konkurencyjna w przemyśle. Coraz rzadziej chodzi o wielkie inwestycje, częściej wygrywają firmy, które potrafią szybciej znaleźć małe straty ukryte w procesie.

To samo widać w jakości – i to często jeszcze mocniej niż w wydajności. W wielu zakładach reklamacje i dane produkcyjne analizuje się osobno. Tymczasem największe problemy często wychodzą dopiero po połączeniu informacji z kilku źródeł. Jeden z producentów przez długi czas nie potrafił znaleźć przyczyny niestabilnej jakości wyrobów. Problem pojawiał się nieregularnie i trudno było go powiązać z konkretną zmianą czy konkretnym operatorem. Dopiero analiza danych pokazała, że reklamacje pojawiają się głównie po produkcji realizowanej nocą. Początkowo podejrzewano błędy operatorów – klasycznie. Dopiero później wyszło, że przyczyna tkwiła w czymś zupełnie innym.

W nocy temperatura hali minimalnie spadała, co zmieniało właściwości surowca i wpływało na końcowy produkt. Bez danych nie dałoby się tego zauważyć.

Podobnie wygląda dziś utrzymanie ruchu. W wielu fabrykach nadal maszyna pracuje aż do awarii albo części wymienia się według harmonogramu. Problem w tym, że jedno i drugie często generuje niepotrzebne koszty.

Coraz więcej firm zaczyna więc wykorzystywać dane do przewidywania problemów. Niewielki wzrost poboru energii, zmiana temperatury czy drgań pokazują, że element zaczyna się zużywać. Dzięki temu postój planuje się w dogodnym momencie, zamiast zatrzymywać produkcję w środku tygodnia. I właśnie tutaj dane zaczynają rzeczywiście przekładać się na pieniądze. Nie dlatego, że firma ma nowoczesny dashboard, ale przez to, że unika przestojów, reklamacji i strat jakościowych.

Warto jednak napisać wprost: wiele organizacji wpada dziś w pułapkę „dashboardomanii”. Powstają dziesiątki wskaźników, które nie są później analizowane. Spotkania zamieniają się w prezentowanie kolorowych wykresów, z których niewiele wynika operacyjnie. Najlepsze firmy nie mierzą więc wszystkiego. Wybierają to, co pomaga w podejmowaniu decyzji. Jeżeli wskaźnik nikomu nie podpowiada, co należy zrobić dalej, to prawdopodobnie nie ma on większej wartości. Bardzo ważny jest też temat jakości danych. W teorii brzmi to banalnie, ale wiele systemów jest zasilanych słabymi informacjami. Operator wpisuje pierwszą lepszą przyczynę postoju, bo nie ma czasu wybierać z długiej listy, a każda zmiana np. raportuje trochę inaczej. Po kilku miesiącach okazuje się, że analityka opiera się na danych, którym nikt do końca nie ufa – wtedy zaczynają się problemy. Firmy inwestują w systemy, a później dyskutują bardziej o tym, czy dane są poprawne, niż o samych problemach produkcyjnych. Dlatego data-driven management nie jest wyłącznie projektem IT. To przede wszystkim kwestia organizacji pracy, standardów i odpowiedzialności. Kto definiuje przyczyny przestojów? Kto pilnuje jakości zapisów? Kto odpowiada za interpretację danych? Bez tego nawet najlepszy system szybko zamienia się w kolejny magazyn raportów.

Dużą zmianą jest też połączenie danych produkcyjnych z finansami. Sam wzrost OEE niewiele znaczy, jeśli równocześnie rosną koszty energii, mediów czy odrzutów.

Dobrym przykładem jest zakład chemiczny, w którym jedna ze zmian osiągała najlepsze wyniki wydajności. Cały sekret polegał na tym, że jednocześnie zużywała najwięcej energii. Operatorzy zwiększali tempo procesu kosztem intensywniejszego grzania i większego zużycia sprężonego powietrza. Dopiero połączenie danych produkcyjnych z kosztami pokazało, że najwydajniejsza zmiana wcale nie była najopłacalniejsza.

Takich sytuacji jest coraz więcej. Same dane operacyjne już nie wystarczają. Coraz większe znaczenie ma umiejętność łączenia produkcji, jakości, energii i kosztów w jeden obraz procesu. Zmienia się również relacja między producentami a dostawcami technologii. Coraz częściej dostawcy maszyn chcą dostępu do telemetrii urządzeń, historii alarmów czy parametrów pracy. Dzięki temu szybciej diagnozują problemy i lepiej planują serwis. Dla zakładów oznacza to jednak nowe ryzyka. Im więcej danych krąży między systemami i firmami, tym większe znaczenie ma cyberbezpieczeństwo oraz kontrola nad tym, kto i do czego ma dostęp.

Największym wyzwaniem data-driven management nie jest technologia. Najtrudniejsza jest zmiana sposobu podejmowania decyzji. W wielu firmach nadal dominuje kultura oparta na doświadczeniu, intuicji i „wyczuciu procesu”. Same dane tego nie zastąpią. Dobry operator lub kierownik produkcji nadal pozostaje ogromną wartością. Różnica polega na tym, że dziś doświadczenie można wzmacniać faktami, zamiast opierać się wyłącznie na pamięci i obserwacji. Dużo mówi się dziś o sztucznej inteligencji w przemyśle, ale prawda jest taka, że wiele firm nadal ma problem z podstawami. Dane są niekompletne, raporty – niespójne, a część informacji nadal funkcjonuje wyłącznie w Excelach albo prywatnych notatkach pracowników. Zdarza się, że trzy działy raportują ten sam wskaźnik zupełnie inaczej. W takiej sytuacji wdrażanie zaawansowanej analityki często kończy się frustracją. Najpierw trzeba uporządkować fundamenty. Firmy, które dobrze wykorzystują dane, zwykle zaczynają od prostych rzeczy:

• standaryzacji raportowania,
• wspólnych definicji KPI,
• automatycznego zbierania danych z maszyn,
• ograniczenia ręcznego wpisywania informacji,
• regularnej analizy strat.

Dopiero później pojawia się bardziej zaawansowana analityka.

Warto również zwrócić uwagę na jeszcze jeden problem. W wielu organizacjach dane są traktowane jak narzędzie kontroli ludzi, a nie poprawy procesu. Operatorzy są rozliczani z każdej minuty postoju, więc wpisują przypadkowe przyczyny albo omijają system. W rezultacie firma dostaje dużą ilość danych, które niewiele mówią o rzeczywistych problemach produkcyjnych. To jeden z powodów, dla których kultura organizacyjna ma dziś ogromne znaczenie. Jeżeli ludzie nie ufają temu, po co zbierane są dane, cały system bardzo szybko przestaje działać.

Najlepsze zakłady produkcyjne wykorzystują dane przede wszystkim do eliminowania strat i stabilizacji procesu. Nie chodzi o ciągłe szukanie winnych, ale o szybsze reagowanie na problemy. To pozornie niewielka różnica, ale w praktyce całkowicie zmienia podejście pracowników.

Coraz ważniejszą rolę odgrywa także energia. Jeszcze kilka lat temu wiele firm traktowało ją jako koszt stały. Dziś, przy rosnących cenach mediów, dane energetyczne stają się jednym z najważniejszych obszarów do analizy. Niektóre zakłady odkrywają np., że najbardziej energochłonne urządzenia pracują pełną mocą również podczas krótkich postojów albo przezbrojeń. Inne zauważają, że ta sama linia produkcyjna zużywa więcej energii przy konkretnych ustawieniach procesu, mimo podobnej wydajności. Bez danych takie rzeczy są niemalże niewidoczne.

Podobnie wygląda temat planowania produkcji. Coraz krótsze serie, większa liczba SKU i zmienność zamówień sprawiają, że firmy muszą dużo szybciej reagować na zmiany rynku. Planowanie „na oko” przestaje wystarczać. Dane historyczne pozwalają lepiej przewidywać rzeczywiste czasy przezbrojeń, wydajność konkretnych produktów czy ryzyko opóźnień. Dzięki temu harmonogram produkcji bardziej odpowiada rzeczywistości, a nie założeniom zapisanym kiedyś w Excelu, a to ma bezpośredni wpływ na koszty magazynowania, poziom zapasów i terminowość dostaw.

Dane stają się także elementem przewagi handlowej. Klienci oczekują nie tylko produktu, lecz również rzetelnej informacji o nim. Chcą wiedzieć, z jakiej partii pochodzi surowiec, jakie były parametry procesu, kiedy produkt został wyprodukowany i jakie kontrole przeszedł po drodze. Firmy, które potrafią szybko udostępnić takie informacje, budują zaufanie i łatwiej przechodzą audyty jakościowe. Oznacza to jedno: dane przestają być wyłącznie tematem działu IT. Stają się częścią codziennego zarządzania produkcją, jakością, kosztami i relacjami z klientami.

I prawdopodobnie właśnie dlatego dane produkcyjne rzeczywiście stają się nową walutą przemysłu. Nie dlatego, że modne są sztuczna inteligencja, dashboardy czy przemysł 4.0. Powód jest dużo prostszy. Firmy, które szybciej widzą problemy i szybciej podejmują trafne decyzje, zwyczajnie mniej tracą i więcej zarabiają. To przekłada się bezpośrednio nie tylko na wyniki finansowe, ale także na stabilność operacyjną i odporność na nieprzewidziane sytuacje. W świecie rosnącej presji kosztowej i coraz krótszych cykli decyzyjnych czas reakcji zaczyna mieć taką samą wartość, jak sama decyzja. A to oznacza, że umiejętność wykorzystania danych przestaje być opcją, staje się koniecznością.