Mängden data som samlas in från industriella processer ökar i en allt snabbare takt. Moderna datorsystem gör det möjligt att lagra data under långa tidsperioder och med en mycket snabbare samplingsfrekvens än någonsin tidigare. Detta väcker en viktig fråga: Vad ska vi göra med all denna data?

BtoC-företagen har under flera år framgångsrikt samlat in och analyserat stora mängder komplex kundtransaktionsdata. Denna ”big data approach” syftar till att ge dem en konkurrensfördel gentemot sina rivaler. Industriella BtoB-företag är inte på samma nivå ännu, men den ständigt ökande konkurrensen tvingar dem att finjustera sina tillverkningsprocesser. Företagen tvingas producera bättre kvalitet i större mängder och samtidigt minska energiförbrukningen och råvarukostnaderna.

Dessa problem kan lösas genom att låta medarbetarna förbättra tillverkningsprocesserna baserat på uppmätta tidsseriedata.

Genom att tillämpa effektiva metoder och verktyg för datahantering kan industriföretag ta fram den outnyttjade potentialen i sina befintliga data, vilket leder till förbättrad processdiagnostik och en konkurrensfördel.

Utmaningar med att använda fragmenterad data

Under det senaste decenniet har digitala informations-, processtyrnings- och affärssystem blivit standardapplikationer inom massa- och pappersindustrin. Samtidigt har mängden data som samlas in och sparas ökat avsevärt, och den här trenden kommer att fortsätta i framtiden.

De system som används i fabrikerna är vanligtvis inriktade på antingen ett begränsat processområde (t.ex. råvaruhantering, lagerberedning, rullsektion) eller en begränsad datatyp (t.ex. data från styrslingor, processdata, kvalitetsdata och kostnadsdata).

Idag samlas enorma mängder data in, men endast en mindre del av dessa data utnyttjas. En produktionsanläggning eller ett helt företag skulle kunna uppnå stora fördelar om alla dessa data kombinerades sömlöst och medarbetarna fick en helhetsbild av processen.  

Kombinera domänexpertis med effektiv datahantering

Den insamlade datamassan innehåller en hel del outnyttjad potential för affärs- och processförbättringar. För att utnyttja denna potential krävs ett effektivt datahanteringssystem.

Ett effektivt datahanteringssystem gör det möjligt att kombinera alla datakällor i ett och samma system. Ett användarvänligt gränssnitt hjälper användaren att få fram användbar information och kunskap ur den enorma mängden data. Användaren ska inte behöva ägna mycket tid åt att få in data i datahanteringssystemet, utan i stället fokusera på att felsöka problemet, öka effektiviteten eller förbättra slutproduktens kvalitet.

Sambanden mellan olika processfenomen är mycket komplicerade och flera mätningar påverkar varandra. Därför finns det ofta ett behov av att kombinera ursprungliga mätningar till nya och mer användbara mätningar, t.ex. att beräkna torrflödet baserat på ursprungliga flödes- och konsistensmätningar. För att möjliggöra denna typ av fri datamodifiering måste det finnas ett enkelt sätt att lägga till sina egna beräkningar i datahanteringssystemet.

Processen för dataanalys: Ett systemdrivet arbetsflöde eller ett människodrivet tankeflöde?

Processanalysen kan påbörjas när alla relevanta data finns tillgängliga i datahanteringssystemet. Bild 1 illustrerar det förenklade arbetsflödet för processdataanalys eller felsökningscykel.

Det första steget är att definiera målet: vad behöver vi ta reda på?

Nästa steg är att skapa en fungerande uppsättning mätningar. I det här skedet är det viktigt att kombinera data från olika källor i ett system. Dataanslutningen bör vara online för att undvika mödosam och långsam dataimport till analyssystemet. Data bör också vara nära realtid för att möjliggöra snabba reaktioner på situationer som uppstår.

Processdata innehåller alltid vissa dåliga värden, t.ex. kraftigt  avvikande värden, felaktiga värden och värden producerade efter att produktionen has körts ner. Den här typen av dåliga data påverkar analysresultaten i hög grad och därför måste dessa värden tas bort före analysen. För att utföra den här typen av datarensning på ett effektivt sätt bör verktyget stödja användarens processkunskap. En erfaren medarbetare med processkunskap är bäst på att bedöma vilka värden som är irrelevanta, och sedan ska dessa värden enkelt kunna tas bort från datasetet.

När data är rensade kan användaren utföra processanalys, t.ex. göra statistik- och korrelationsberäkningar. I det här steget är det vanligt att användaren redan har hittat användbar information i datan, men när det finns många mätningar kan det vara besvärligt. Datorkraft kan användas för att göra detta steg mycket mer effektivt. En dator kan snabbt kontrollera många process- och kvalitetsmätningar för att avgöra vilka som bäst korrelerar med det uppsatta målet. Systemet bör kunna rangordna mätningarna och ge en kandidatlista över de mätningar som verkar ha störst inverkan på målmätningen. I detta steg förvandlas data till information.

Det är viktigt att komma ihåg att användaren måste ha god processkunskap för att få användbara studieresultat och kunna dra tillförlitliga slutsatser. I det här steget förvandlas informationen till ny kunskap. Vid behov kan användaren omdefiniera uppgiften och starta om loopen igen.

I verkligheten är ett bra och effektivt arbetsflöde för dataanalys inte linjärt och enkelt enligt beskrivningen ovan, utan det ser mer ut som en spagettiboll.

Ny information och nya insikter uppstår oundvikligen när data bearbetas genom kreativa rensnings-, förädlings-, beräknings- och analysmetoder. Detta leder dataanalysen framåt. Ofta resulterar dessa nya insikter i att den ursprungliga frågan omdefinieras.

I ett effektivt arbetsflöde för dataanalys skapas nya insikter i alla steg. Dataanalyssystem bör stödja denna flexibla och kreativa arbetsstil. Användarna måste kunna modifiera datasetet, prova olika datarensningsscenarier och olika analysmetoder på ett smidigt sätt.

Bättre användning av data för att hantera produktivitets- och hållbarhetsutmaningar

Samtidigt som mängden data ökar i en allt snabbare takt minskar resurserna i bruken. Konkurrensen mellan företag och fabriker är hård, och situationen kommer inte att bli lättare i framtiden. Utöver allt detta ökar också vikten av att spara på naturresurserna.

Detta tvingar företagen att driva processerna på ett mer effektivt och hållbart sätt. Ett av de mest kostnadseffektiva sätten att uppnå målen är att utnyttja befintlig data mer effektivt.

I dag måste personalen på fabrikerna hantera många olika uppgifter samtidigt. Det innebär att de inte kan ägna mycket tid åt datahantering. Det behövs ett effektivt och intuitivt verktyg för att kombinera alla relevanta data i en och samma vy. Användare med god processkunskap måste snabbt och enkelt kunna få svar från systemet på frågor om processproblem

 

---

Vill du ha mer insikter?

Vårt säljteam är fullt av experter på dataanalys som är redo att hjälpa dig. Läs mer om Wedge industriellt dataanalysverktyg.

Titeln är inspirerad av en bok av Haruki Murakami och sammanfattar väl det som ofta plågar debatten om dataanalys: vi diskuterar ofta olika begrepp. Vissa ser dataanalys som rapportering, medan andra förknippar det med modellering eller beräkningar. Vissa diskuterar visualisering, medan andra ser det som att hitta svar från data. Vi värdesätter alla de ovan nämnda elementen. Men vi tror ändå att den verkliga kärnan i dataanalys ligger någon annanstans, och att mänsklig kreativitet är det viktigaste elementet.

I den här artikeln kommer vi att presentera vårt perspektiv på detta ämne. Vi påstår inte att andra definitioner är felaktiga, men det är viktigt att definiera exakt vad vi menar när vi diskuterar dataanalys.

Vad är dataanalys? Vår definition

Dataanalys kan definieras på olika sätt; vår definition är följande: Dataanalys är när du använder kreativa databehandlingsmetoder för att hitta svar på nya frågor eller för att ge förklaringar till okända scenarier. 

Dataanalys kan vara till hjälp i situationer där du inte känner till svaret och det inte kan förutsägas. 

Nu vill vi dela upp definitionen i mindre delar och specificera de olika komponenterna i kreativ dataanalys.

De elementära komponenterna i kreativ dataanalys:

1. Ställ nya eller slumpmässiga frågor

En ny fråga är en fråga där det inte finns någon färdig modell eller något färdigt svar. Om något till exempel händer för första gången eller om omgivningen har förändrats står vi inför en ny utmaning.

Om samma fråga uppstår upprepade gånger kan det vara mer effektivt att skapa ett automatiserat system som kan ge svaret. Det kan vara ett rapporteringssystem, en konfiguration av ett automationssystem eller något annat.

2. Samla in och förfina data för att hitta svaret 

Samla in data med ett öppet sinne och i hanterbara mängder. Att försöka samla in all data är inte genomförbart och kommer sannolikt att leda till att man drunknar i data. Å andra sidan leder det inte till nya insikter om man begränsar rådatan till det uppenbara.

Rådata innehåller all tillgänglig information men är i stort sett värdelös om den inte rensas. Data måste förfinas för att avslöja meningsfulla egenskaper för att hitta svar på specifika frågor. Förädlingsprocessen beror på frågan och rådatans karaktär.

När vi vill hitta svar på slumpmässiga frågor från okända data kräver analysen ett kreativt element för att lyckas, eftersom fördefinierade sekvenser ofta inte fungerar tillräckligt bra i nya situationer.

3. Lär dig under resans gång

Ny information och nya insikter uppstår oundvikligen när du bearbetar data genom kreativa rensnings-, förädlings-, beräknings- och analysmetoder. Detta vägleder din dataanalys framåt. Ofta resulterar dessa nya insikter i att den ursprungliga frågan omdefinieras. Vi deltog t.ex. en gång i ett projekt för att minska produktionskostnaderna. Resultatet blev dock ökad produktionshastighet och avkastning, vilket slog produktions- och effektivitetsrekord.

4. Låt data tala för sig själv

På grund av den kreativa förädlingsprocessen är de svar som erhålls genom dataanalys ofta oförutsägbara. Meningsfull dataanalys kräver domänkunskap, och analytiker tenderar att ha sina favoritmetoder för dataförädling, vilket ibland kan leda till vinklat tänkande. En smart dataanalytiker låter datan tala för sig själv och ger den information som den innehåller. Däremot kan dåliga analytiker manipulera data för att stödja sina förutfattade antaganden och hypoteser. 

Dataanalys är en möjliggörare; kreativa människor tillför värde 

Nyfikna och kreativa individer som tycker om att söka lösningar på komplexa frågor är värdefulla tillgångar för alla företag och kan inte ignoreras när man letar efter återbetalningen av dataanalysarbete och -system. Enbart dataanalys har inget värde och ger ingen återbetalning; det är en möjliggörare.

Värdet genereras när du använder resultaten från kreativ dataanalys för att förändra manuella arbetsmoment, omkonfigurera automationssystem, modifiera recept etc. Slutresultaten av kreativ dataanalys är oförutsägbara eftersom de hittar svar på slumpmässiga frågor. Trots detta har dataanalys en avgörande betydelse för varje företags framgång. Med kreativ dataanalys kan du få nya insikter och fatta bättre och mer exakta beslut snabbare.

 

---

Vill du ha mer insikter?

Vårt säljteam är fullt av experter på dataanalys som är redo att hjälpa dig. Läs mer om Wedge industriellt dataanalysverktyg.