Need 3 probleemi valede andmetega põhjustavad suuri kadusid tootmises

Columbus Eesti digitaliseerimisekspert Toomas Olli käsitleb kolme levinumat puudust ja pakub välja ka lahendusi nende kõrvaldamiseks.

1. sissetulevate materjalide kaalumispunktide loomine kauba vastuvõtmisel ja

2. tootmisliini jälgimine IoT anduritega erinevates tootmisetappides.

Avastamata algsed kaaluprobleemid võivad paisuda suureks, eriti graanulite, pulbrite ja muude lahtiste materjalide ning toorme puhul. Kui ühte koostisainet kasutatakse paljudes kaupades ja mitmes tehases mitmes riigis, siis on mõistetav, et õiged kaaluandmed aitavad kokku hoida aega ja raha.

Lihtne puudus tellitava materjali kirjelduses oleks peaaegu nurjanud NASA Marsi kulguri 820 miljoni dollarise missiooni. Insenerid katsetasid 2003. aastal pürotehnilisi tõmmitsaid ja see test kukkus läbi. Marsi pinnal oleksid tagajärjed Spirit-i ja Opportunity kulguritele olnud katastroofilised.

Probleem peitus NASA ja põhivarustaja vahelises kommunikatsioonis. Nimelt, puuduvad andmed materjalinõuetes viisid selleni, et kriitiline komponent valmistati terase asemel alumiiniumist. Õnneks leiti viga testimisel ja nii õnnestus võimalikku läbikukkumist vältida.

Vahel võib olla, et tellitav materjal pole piisavalt spetsifitseeritud. Nüüd peab tarnija sellele aega kulutama, et küsida üle, millist toodet täpsemalt soovitakse. Halvimal juhul ta ei küsigi vaid saadab omal äranägemisel mittesobiva materjali, mis tuleb hiljem ümber vahetada.

Ka tooteinfo vead võivad suureks probleemiks kasvada. Näiteks valed hinnad võivad kahju põhjustada, kui neid varakult ei avastata.

Sageli on kasu sellest, kui lisada protsessidesse kontrollipunktid. Üha enam kasutatakse kvaliteediprobleemide tuvastamiseks mobiilseid seadmeid. Näiteks Microsoft Power Platform-i (kombineerib PowerBI, PowerApps ja Microsoft Flow tarkvarasid) saab kasutada näiteks triipkoodide lugemiseks, fotode tegemiseks ja protsessi keerukamates ning suure veariskiga töölõikudes abiinfole ligipääsemiseks.

Nii on võimalik jagada töötajatele juhiseid ja anda visuaalset tagasisidet. See on oluline eriti uute töötajate puhul, et ennetada info puudulikkusest või oskamatusest tulenevaid vigu. Kuid ka kogenud töötajad vajavad aeg-ajalt mälu värskendamist.

Vigased andmed tootmise planeerimisel suurendavad aja- ja rahakulu. Seetõttu on andmehalduse üheks osaks kriitiliste mõõtmistulemuste analüüs. Näiteks saab kasutada andureid, et mõõta automaatselt erinevate tootmistsüklite tegelikke aegu. Plaanitud ja tegelike mõõtmistulemuste analüüsiks kasutatakse edukalt näiteks Azure IoT platvormi, mis kogub andmeid ERP tarkvarast (n. D365FO). Ennustavate algoritmide abil reserveeritakse toimingutele kuluva aja automaatselt või käsitsi (n. pakub süsteem soovitusliku aja, mis tuleb aktsepteerida või korrigeerida). Algoritm võtab arvesse uued andmed (k.a. tegelikud tootmisajad) ja aitab vältida ajalisi nihkeid veel enne kui need probleemiks muutuvad.

Seejärel saadetakse tehnoloogid uurima tsükliaegade suurenemise põhjusi ja rakendama vajalikke meetmeid.

Mida teha, et andmeid oleksid täielikud ja täpsed? Kui leiate, et andmete õigsus on probleemiks ja sellega tuleb tegeleda, siis allpool on mõned soovitused.

Kuid kõigepealt on kasulik määratleda andmehalduse jaoks tulemusnäitajad (KPI-d), et mõõta parendustegevuste mõju ettevõttele ning näidata töötajatele, et õiged andmed on ettevõttele olulised.

Kui tuvastate kitsaskoha, siis tuleks võimalikult koheselt alustada korrigeerivate tegevustega. Kohene tegevus on eriti oluline kasvavas ettevõttes, et vältida probleemi eskaleerumist. Ulatusliku tegevustiku korral tuleks määrata arendusmeeskond. Selleks vajatakse meeskonna liikmetelt nõusolekut, kuna neil on ka põhitöö, mis tuleb ära teha. Vaja on teadvustada, et õiged andmed on ettevõttele kasulikud ja see on igaühe vastutus.

• väljavõtete tegemine olemasolevatest andmetest;

• väljavõtete andmete puudujääkide analüüs;

• andmete korrastusreeglite sõnastamine – lühidalt ja mõistetavalt;

• andmete täiendamise reeglite sõnastamine – peamiselt puuduvate lihtsalt kättesaadavate andmete jaoks, näiteks juhul, kui puudub kliendi registrikood, valuutakood, vms.

Täiendatud ja korrastatud andmete tekkimisega kaasneb kohe nende mittekvaliteetseks muutumise oht. Niisiis tuleks leida viis andmete korrastatuse jälgimiseks.

• Kontrollida andmete vastavust kehtestatud reeglitele

• Uute andmete läbivaatus, mis lisati peale viimast reeglitele vastavuse kontrolli

• Kehtestada muutmisprotsess lähteandmete oluliste muudatuste jaoks

• Võimalusel esitada andmekvaliteedi tulemusnäitajad, mis juhivad tähelepanu andmekvaliteedi võimalikele probleemidele

Määratleda toimingud ja vastutajad põhiandmete haldamiseks protsesside olulise osana.

• kaubad;

• materjalid ja tootmisviisid;

• prognoosid;

• kliendid;

• hinnastamine ja allahindlused;

• aadressid ja sihtnumbrid (täpseks kohaletoimetamiseks);

• jms.

Samuti määratleda tarkvarad ja uute andmete sisestamisviisid (n. käsitsi või automaatselt).

Põhiandmete haldus (MDM – Master Data Management) on väga lai teema ja kõike ei jõua siin käsitleda. See hõlmab ka näiteks samade andmete sobitamist ja ühildamist, mis pärinevad mitmest erinevast allikast – selleks, et leida vigu.

Kui mõni kirjeldatud probleemidest tuli tuttav ette, siis võib olla aeg teha analüüs ja võtta ettevõttes kasutusele kontrollimeetmed. Columbuse ärianalüütika meeskond on Eesti suurimaid ja oleme meelsasti teile abiks sel teel. Võtke julgelt ühendust!