Większość producentów nie ma problemu z danymi dlatego, że brakuje im danych. Mają problem z danymi, ponieważ nikt nie uzgodnił, co dane oznaczają, kto jest ich właścicielem ani jak je utrzymywać w czystości. Brakujący podręcznik zasad to właśnie to, co zapewnia zarządzanie danymi. Bez niego dwie zmiany zapisują ten sam przestój na trzy różne sposoby, wartość OEE oznacza coś innego w zakładzie A, a coś innego w zakładzie B, a każdy projekt AI dziedziczy to zamieszanie. Z nim dane fabryczne stają się aktywem, któremu można zaufać i na którym można działać.
To warstwa leżąca pod wszystkim innym: wiarygodne raportowanie OEE, rzetelne liczby dotyczące zrównoważonego rozwoju oraz wszelkie poważne inicjatywy analityczne lub AI, wszystko od tego zależy. Najpierw uporządkuj podstawy, potem dodawaj sprytne narzędzia.
Zarządzane i standaryzowane dane sprawiają, że pulpit OEE jest godny zaufania, a nie tylko ozdobą.
Zarządzanie danymi to zestaw zasad, ról i procesów określających, jak dane operacyjne są tworzone, nazywane, przechowywane, zabezpieczane i wykorzystywane. Nie jest to tożsame z zarządzaniem danymi (codziennym operacyjnym obchodzeniem się z danymi) ani z danymi podstawowymi (samymi kluczowymi rekordami). Zarządzanie to warstwa polityki nad obiema tymi sferami: kto jest odpowiedzialny, jak wygląda dobra praktyka i jak rozstrzygane są spory.
W kontekście produkcyjnym oznacza to uzgodnienie spójnych powodów przestojów i kodów usterek, określenie, kto jest właścicielem każdego źródła danych, ustalenie standardów jakości oraz upewnienie się, że ta sama definicja „dobrej jednostki” lub „planowanego przestoju” obowiązuje wszędzie.
Trzy czynniki przesunęły zarządzanie danymi z kategorii „mile widziane” do priorytetu. Po pierwsze, dokładność OEE: pulpit oparty na niespójnych danych generuje wartości, którym ludzie powoli przestają ufać. Po drugie, zgodność i raportowanie dotyczące zrównoważonego rozwoju, audytorzy i klienci oczekują śledzalnych danych, nie szacunków. Po trzecie, gotowość na AI, modele trenowane na niezarządzanych danych po prostu uczą się bałaganu. Jak opisaliśmy w naszym artykule o ciemnych danych w produkcji, nie da się robić AI na fundamentach, które nie zostały objęte zarządzaniem.
Własność i role. Każde źródło danych ma przypisanego właściciela odpowiedzialnego za jego poprawność oraz jasne role określające, kto może wprowadzać, edytować i zatwierdzać dane.
Standardy i definicje. Wspólny słownik przyczyn przestojów, kodów usterek, jednostek i wzorów KPI, aby to samo zdarzenie oznaczało to samo na wszystkich zmianach, liniach i zakładach.
Kontrole jakości danych. Walidacja w miejscu rejestracji, dzięki czemu brakujące lub niemożliwe wartości są wykrywane od razu, zamiast być poprawiane hurtowo dopiero po kilku miesiącach.
Dostęp i bezpieczeństwo. Odpowiednie osoby mogą przeglądać i modyfikować właściwe dane, przy jednoczesnej ochronie informacji wrażliwych.
Cykl życia i przechowywanie. Jasne zasady dotyczące tego, jak długo dane są przechowywane, gdzie i kiedy są archiwizowane.
Możliwość audytu. Śledzalny zapis, kto co i kiedy zmienił, niezbędny zarówno dla zgodności, jak i zaufania.
To samo zdarzenie przestoju jest rejestrowane inaczej w zależności od tego, kto jest na zmianie.
Dwa raporty nie zgadzają się co do tej samej wartości OEE i nikt nie potrafi powiedzieć, który jest prawidłowy.
Krytyczna wiedza znajduje się w arkuszu kalkulacyjnym jednej osoby lub w jej głowie.
Nie możesz szybko odpowiedzieć „skąd pochodzi ta wartość?” dla audytora lub klienta.
Zacznij od danych, które napędzają decyzje, dane wejściowe do OEE, przestoje, utrzymanie ruchu i jakość, zamiast próbować od razu zarządzać wszystkim naraz.
Uzgodnij definicje z osobami, które faktycznie rejestrują dane, i zapisz je we wspólnym słowniku.
Przypisz właścicieli dla każdego źródła, aby odpowiedzialność była jasna.
Zaimplementuj kontrole jakości w rejestracji, najlepiej zautomatyzowane na poziomie maszyny lub systemu, a nie wykonywane ręcznie po fakcie.
Regularnie przeglądaj i dostosowuj zasady w miarę zmian linii, maszyn i potrzeb raportowych.
Utrzymuj proporcjonalność. Ramy, których nikt nie przestrzega, są gorsze niż proste, których wszyscy przestrzegają.
Fabrico sprawia, że zarządzanie danymi jest praktyczne, automatycznie rejestrując dane OEE, przestojów, jakości i utrzymania ruchu oraz przechowując je w jednym ustrukturyzowanym systemie z jednolitymi definicjami i wbudowanym śladem audytowym. Standaryzowane przyczyny przestojów i automatyczna rejestracja eliminują dużą część ludzkiej niespójności, którą polityki zarządzania danymi musiałyby inaczej pilnować ręcznie. Działa to obok solidnej, przygotowanej pod AI strategii danych podstawowych oraz właściwych metod zbierania danych OEE, a także pomaga zlikwidować silosy danych, które pierwotnie utrudniają zarządzanie.
Zarządzanie danymi to warstwa polityk, zasady, role i standardy. Codzienne zarządzanie danymi to realizacja tych zasad w praktyce: obsługa i utrzymanie danych zgodnie z ustalonymi regułami.
Tak, ale proporcjonalnie. Nawet jednostronicowe porozumienie dotyczące definicji przestojów i jasne przypisanie właściciela zapobiega większości niespójności podważających raportowanie OEE i projekty AI.
AI uczy się na danych historycznych. Dane niezarządzane i niespójne generują niewiarygodne modele, dlatego zarządzanie danymi jest warunkiem wstępnym, a nie dodatkiem.
Spraw, aby dane z twojej fabryki były zaufane z założenia. Zobacz, jak Fabrico standaryzuje i zarządza danymi OEE, przestojów i utrzymania ruchu w jednym systemie. Zarezerwuj demo i zbuduj fundament, na którym opierają się twoje raporty i projekty AI.
Zaloguj
Blog
