Teollinen internet ja tiedon hyödyntäminen Digi Roadshow Tampere, 15.4.2015 Emil Ackerman, Quva Oy
Agenda Quva Oy lyhyesti Teollinen internet ja analytiikka Tiedon hyödyntäminen + case esimerkit Yhteenveto
Quva Oy:n perustiedot Quva on ohjelmistoyritys, jonka ratkaisut muuttavat monimutkaisen datan yksinkertaiseksi välineeksi toiminnan ohjaamiseen, tehostamiseen ja ennakointiin Perustettu 2010, toimipaikka Tampereella Henkilöstön tausta analytiikkaratkaisuiden kehityksessä mm. kaivosalalla, lääketutkimuksessa, Amazon.com:lla ja KRP:llä Tavoitteena kansainvälisesti toimiva data-analyysiratkaisujen kumppani asiakkaille
Teollinen internet ja analytiikka Teollinen internet: sensorit, tiedon välitys ja analytiikka Analytiikka tuo lopullisen lisäarvon ja tiedon edeltävät osa-alueet kuitenkin oltava kunnossa Gartner 10/2014
Tiedon hyödyntämisen tavat
Tapa 1: Kokonaiskuvan ymmärtäminen Usean eri tietolähteen datan yhdistäminen Ei kaikki vaikuttaa kaikkeen vaan täsmätietoa! Toiminnan tehostaminen Datan läpikäynnin automatisointi Syy-seuraussuhteiden ymmärrys Koneen kuntoon vaikuttaa muukin kuin viime huollon ajankohta ja ajotuntien määrä Tarkempi tieto koneen kunnosta Mahdollistaa mm. dynaamisen huollon suunnittelun ja huoltovälin optimoinnin Ulkopuolinen data Mittausdata Datan integraatio Data-analytiikka Käyttöliittymät Tietokannat Netti Mobiili Laitteet
Case 1: Globaalin laitekannan huollon tehostaminen Vikatilanteisiin vaikuttavien tekijöiden tunnistaminen Huoltohenkilöstön relevantin tiedon lisääminen Tavoite Ennalta tuntemattomien häiriötyyppien ryhmittely ja juurisyiden mallintaminen Ratkaisu Yksittäisen häiriötapahtuman riippuvuussuhteiden tunnistaminen ja erilaisten häiriöryhmien visualisointi
Tapa 2: Toiminnan ennakointi Ongelmia syntyy vaikka suunnittelu olisi tehty hyvin Reaaliaikainen tilannetieto mahdollistaa nopean reagoinnin poikkeustilanteissa Asiakaskäyttäytymisen ennakointi Tuotantopoikkeamien välttäminen Laadun ennakointi Käyttäjälle voidaan hälyttää äkilliset poikkeamat monimuuttujadatassa Parhaimmillaan mahdollistaa reagoinnin ennen taloudellisen vahingon syntymistä
Case 2: Tuotantokatkosten ennakointi kartonkitehtaalla Oppivien data-analyysimenetelmien soveltuvuuden pilotointi tuotantohäiriöiden ennakoinnissa Mitkä mittaukset ovat käyttäytyneet normaalitilanteesta poiketen ennen häiriöitä potentiaalisia häiriön aiheuttajia Reaaliaikasovellus analysoi Metso DNA- ja Seitti-järjestelmiltä vastaanotettua dataa ja päivittää ennustemallin ulostuloa, joka visualisoidaan valvomotyöntekijöille Malli oppii jatkuvasti ja kerryttää organisaation tietoa Tavoitteena välttää häiriöt ennen niiden syntymistä Tekniikka & Talous, Nro 9/2015, 13.3.2015, http://www.tekniikkatalous.fi/metsa/jattisaastot+vikojen +vahentyessa++stora+enso+kehitti+vikojen+ennustajan /a1053319?v=t
Yhteenveto Substanssiosaaminen edelleen korvaamatonta; tieto oikeassa muodossa tukee päätöksentekoa Analytiikka tuo lisäarvoa Auttaa kokonaiskuvan hahmottamisessa Nopeuttaa isojen datamassojen läpikäyntiä Mahdollistaa toiminnan ennakoinnin Luo edellytykset uudelle liiketoiminnalle Datan hyödyntämisen tapoja on monia Enää rajoitteena ei ole teknologia vaan mielikuvitus The real issue is making sense of big data and finding patterns in it that help organizations make better business decisions. -Gartner
www.quva.fi Emil Ackerman +358 45 2086 816 emil.ackerman@quva.fi @ackermanemil Teemme monimutkaisesta yksinkertaista