Blogisarja Osa 10/10
Olemme viime aikoina tehneet useita teollisen digitalisaation projekteja, ja yksi kaava toistuu jatkuvasti. Yritykset investoivat antureihin, rakentavat tiedonkeruuta, luovat hienoja dashboardeja, ja sitten mikään ei oikeastaan muutu.
Data on olemassa, sitä kerätään, joskus jopa visualisoidaan hienosti. Mutta kun kysymme, mitä sillä tehdään, vastaus on usein vain "seurataan" tai "tarkistetaan, että prosessi menee oikein".
Onko tämä muuta kuin kallista kohinaa?
Kahden yrityksen tarina
Hiljattain työskentelimme kahden eri yrityksen kanssa lähes samaan aikaan. Molemmilla oli automaatiotaso kunnossa. Molemmat keräsivät tuotantodataa. Mutta lopputulokset olivat täysin erilaiset.
Ensimmäisellä yrityksellä on edistynyt järjestelmä, tiukka laadunvalvonta, täysi automaatio ja dataa virtaa kaikkialla. Mutta kun selvitimme mitä he oikeasti tekevät kaikella sillä tiedolla, kävi ilmi, että he käytännössä vain tarkistavat, että ennalta määritelty prosessi toteutuu oikein. Kukaan ei ollut kiinnostunut oppimaan prosesseja paremmin tai ymmärtämään, miten kerättyä tietoa voisi hyödyntää.
Toinen yritys on melkein päinvastainen. Automaatiotaso ei ole yhtä kehittynyt, mutta he ovat pakkomielteisiä ymmärtämään, mitä oikeasti tapahtuu. Jokaisesta datapisteestä muodostuu kysymys: miksi tuo tapahtui? Mitä tämä trendi tarkoittaa? Voisiko tämän tehdä paremmin?
Ero on kulttuurissa.
Miksi dataprojektit eivät etene
Kokemuksemme mukaan on muutama yleinen syy, miksi dataprojektit eivät koskaan etene keräämisestä päätöksentekoon:
Ei omistajaa. Jonkun pitää olla vastuussa siitä, että tiedosta syntyy toimintaa, ei lisätyönä normaalien tehtävien päälle, vaan keskeisenä vastuualueena. Olemme nähneet liian monta tapausta, jossa dataa pelkästään kerätään, koska kenenkään työnkuvaan ei kuulu tehdä sillä mitään.
Puuttuva konteksti. Data ilman operatiivista kontekstia on vain numeroita. Pitää ymmärtää, miksi lämpötilapiikki tapahtui, miten se liittyy tuotteen laatuun, mitä se tarkoittaa huollolle. Olemme nähneet tapauksia, joissa jokainen operaattori säätää prosessia hieman eri tavalla ja kaikki saavat aikaan hyväksyttäviä tuloksia. Ennen kuin konteksti on selvillä, pelkät arvot eivät kerro mitään.
Kulttuurinen vastustus. Tämä on suurin ongelma. Suomalainen liiketoimintakulttuuri kamppailee erityisesti investoinnin kanssa, jonka tuotto-odotus ei ole selvä. Oman prosessin parempi ymmärtäminen on kuitenkin itsessään jo arvokasta, vaikka ei vielä tiedä tarkalleen, miten sen muuttaa euroiksi viivan alle.
Kun pelkkä visualisointi ei riitä
Yksi tapaus jäi erityisesti mieleen: elintarviketeollisuuden yritys rakensi vuosia energiankulutuksen dashboardeja, kauniita visualisointeja siitä, mikä laite kuluttaa eniten ja milloin kulutus on huipussaan.
Työntekijät tuskin katsoivat niitä, ja käyttäytyminen ei muuttunut.
Lopulta he vain lakkasivat pyytämästä ihmisiä tekemään datan perusteella jotain. He rakensivat ohjaukset, jotka automaattisesti optimoivat laitteiden käytön tunnistettujen mallien perusteella. Ongelma ratkaistu: merkittävät energiasäästöt ilman, että kenenkään piti muuttaa tapojaan.
Ratkaisu toimi, mutta se myös tarkoitti, että he eivät koskaan rakentaneet organisaatioon kykyä oikeasti oppia datasta.
Emme sano, että automatisointi tässä tapauksessa oli väärin. Joskus se on pragmaattinen vastaus, varsinkin ympäristöissä, joissa on korkea vaihtuvuus tai muita rajoitteita. Mutta on eri asia automatisoida ongelma pois kuin rakentaa oppiva organisaatio.
Seurannasta oppimiseen: vaiheet
Olemme huomanneet, että datan hyödyntäminen tapahtuu yleensä vaiheittain, ja useimmat yritykset jumiutuvat jonnekin vaiheen kaksi ja kolmen väliin:
Vaihe 1: Autonominen ohjaus. Järjestelmä lukee antureita ja säätää automaattisesti. Kuten optimaalisen neitseellisen ja kierrätysmateriaalin suhteen ylläpito ekstruusiossa. Ei tarvita ihmisen väliintuloa. Tämä toimii, tosin optimointi pysyy keskittyneenä yhteen tiettyyn asiaan.
Vaihe 2: Älykkäät hälytykset. Järjestelmä havaitsee poikkeamat ja kertoo niistä jollekkin, ehkä jopa suosittelee toimenpiteitä. Ennakoiva kunnossapito kuuluu tähän. Vaatii silti ihmisen päättämään, mitä tehdään.
Vaihe 3: Strateginen oppiminen. Tässä asia muuttuu mielenkiintoiseksi, ja useimmat yritykset eivät pääse tänne saakka. Historiallisen datan käyttö prosessien optimointiin, mallien tunnistamiseen ja parempiin liiketoimintapäätöksiin. Tämä vaatii analyyttistä osaamista JA organisaation halukkuutta muuttua sen perusteella, mitä löydetään.
Vaihe 4: Kulttuurinen integraatio. Ne harvat yritykset, jotka tänne pääsevät, ovat sellaisia, joissa jokaisen tason tiimit luonnollisesti ottavat käytettävissä olevan tiedon mukaan päivittäisiin päätöksiin. Tiedolla johtamisesta on tullut osa yrityksen kulttuuria.
Ne yritykset, jotka saavuttavat vaiheet 3 ja 4, eivät vain optimoi olemassa olevia prosesseja. Ne löytävät mahdollisuuksia, joiden olemassaoloa ei edes tiedetty.
Ihmisen rooli
Data-analytiikka ja tekoäly vahvistavat ihmisen asiantuntemusta sen sijaan, että korvaisivat sen.
Se operaattori, joka on ollut linjalla 30 vuotta, kuulee kun jokin on menossa rikki ja tietää intuitiivisesti, milloin parametreja pitää säätää.
Tällainen tieto on korvaamatonta, ja sen pitäisi ohjata digitalisaatiota, ei tulla korvatuksi sillä.
Parhaat toteutukset, joita olemme nähneet, yhdistävät tuon syvän prosessiosaamisen digitalisaatioon. Kokeneen operaattorin tieto määrittää, mitä kannattaa mitata ja mikä oikeasti merkitsee. Analytiikka paljastaa heidän intuitioonsa takana olevat mallit. Uudet operaattorit oppivat validoiduista parhaista käytännöistä sen sijaan, että lähtisivät nollasta.
Mutta tämä toimii vain, jos osallistat nuo asiantuntijat mukaan alusta lähtien. Et voi vain asentaa antureita ja odottaa, että vuosikymmenten kokemus korvataan tietojärjestelmillä kuin taikaiskusta.
Muutoksen tekeminen
Miten sitten siirtyä datan keräämisestä oikeaan päätöksentekoon?
Aloita käyttötapauksista, jotka merkitsevät työtä tekeville ihmisille. Älä tavoittele teoreettista maksimaalista ROI:ta. Löydä ongelmia, jotka helpottavat työntekijöiden elämää tai tekevät prosesseista luotettavampia. Onnistuminen kasvattaa luottamusta.
Varmista oikea omistajuus. Jonkun pitää omistaa sekä opit että niistä seuraavat toimenpiteet. Tällä henkilöllä täytyy olla aikaa ja valtuuksia tehdä päätöksiä.
Ota prosessiasiantuntijasi mukaan. Ihmisten, jotka tuntevat työn parhaiten, pitäisi auttaa määrittämään, mitä kannattaa mitata ja miltä onnistuminen näyttää.
Ole valmis investoimaan ymmärrykseen ennen optimointia. Suomalainen liiketoimintakulttuuri haluaa välittömiä tuottoja, mutta joskus pitää ensin oppia, mitä tapahtuu, ennen kuin tietää, miten parantaa.
Rakenna jatkuvan oppimisen kulttuuri. Kun päätöksiä tehdään datan perusteella, seuraa mitä tapahtui. Syötä nämä opit takaisin järjestelmään ja kehitykseen.
Teknologian tuolla puolen
Kymmenen blogin jälkeen tässä sarjassa yksi asia on käynyt selväksi: IIoT:n arvo tulee siitä, että yhdistää ihmiset, prosessit ja datan tavalla, joka tuottaa todellisia tuloksia. Teknologia mahdollistaa sen, mutta muutos tapahtuu, kun organisaatiot rakentavat kulttuurin ja kyvykkyyden oppia oikeasti siitä, mitä niiden data kertoo.
Olemme vielä selvittämässä parhaita tapoja tämän toteuttamiseen. Jokainen yritys on erilainen, jokaisella toimialalla on omat rajoitteensa. Mutta kaava on johdonmukainen: ne yritykset, jotka kohtelevat dataa oppimismahdollisuutena compliance-checkboxin sijaan, ovat niitä, jotka paranevat.
Loppujen lopuksi päätökset, joita teemme datan kanssa, merkitsevät enemmän kuin itse data.