Переводные статьи
Популярное | Последнее
Во всем виноват закон Мура (эмпирическое наблюдение, изначально сделанное Гордоном Муром, согласно которому количество транзисторов, размещаемых на кристалле интегральной схемы, удваивается каждые 24 месяца -- прим. пер). Реальность такова, что мы живем в цифровой Пангее, мире данных без границ, управляемом технологиями, а также скоростью и плотностью, с которой данные могут передаваться и обрабатываться. Это мир, в котором решения, основанные на данных, вызывают ежедневные колебания на рынках и в цепочках поставок. Данные поступают к нам так быстро, что лидеры бизнеса практически не могут быть в курсе изменений в цепочках поставок и предпочтениях клиентов, не говоря уже о том, чтобы своевременно на них реагировать.
Управление любым производством сегодня требует гибкости и средств, способных превратить поток бессмысленных единиц и нулей во что-то полезное. Старые способы обращения с данными в виде таблиц и графиков, аккуратно распечатанных вашим отделом аналитики уже соответствуют «новой норме». Нам нужно переосмыслить то, как мы относимся к качеству.
Бедствия, войны, эпидемии... и клиенты
Только за последние несколько лет мы стали свидетелями разрушения цепей поставок из-за стихийных бедствий и торговой войны США с Китаем, в результате которой как покупатели, так и продавцы стали искать новые источники сырья и или даже новых клиентов. Covid-19 и прекращение традиционных форм работы по всему миру показали слабые места в существующей логистике цепочки поставок, которые никто не мог себе представить. Кто бы мог подумать, что молочные продукты будут вываливать на землю или придется зарезать и утилизировать домашний скот, даже если на продуктовых полках нет ни молочных продуктов, ни мяса? И все из-за отсутствия сквозной прозрачности процессов и данных, которые ими управляют.
Потребительские предпочтения и покупательские привычки буквально - а не метафорически - меняются в мгновение ока. Более молодые покупатели хотят более экологически чистые продукты или тех, которые продвигают практику «справедливой торговли» (fair trade). Nielson сообщает, что 75% миллениалов готовы платить за экологически чистые продукты ощутимо больше. Для производителей это часто означает смену сырья или поставщиков сырья, что может привести к изменениям как в процессах, так и в системе контроля качества.
Новое представление о качестве
Для производителя, осуществляющего операции на одной площадке с относительно небольшим количеством сотрудников или поставщиков адаптация к этим изменениям является головной болью, но, по крайней мере, управляемой головной болью. Проблема экспоненциально усложняется по мере добавления сотрудников, локаций производства, поставщиков, артикулов продукции и процессов.
Каждый раз, когда в процесс вносятся изменения, даже для чего-то столь же простого, как отдельная деталь, эта информация должна быть распространена и понята во всех отделах, от закупок до производства и складов... а в некоторых случаях до последующих клиентов, которые полагаются на конкретные компоненты в заказанном или изделии (например, смена стальных заклепок на алюминиевые может быть неприемлема для некоторых условий эксплуатации и т.д.).
Если для изменения даже единственной детали требуется изменение производственного процесса, об этом необходимо сообщить всем, кто участвует в процессе и на кого это может повлиять. В случае тех компаний, которые отслеживают внутренний брак или отказы клиентов, также должен существовать обратный канал данных - обратная связь, позволяющая производителям узнать о проблемах и дающая возможность соотнести несоответствие в продукции с деталями или изменениями в процессе.
В центре всего этого стоит отдел качества. В течение многих лет специалистам по качеству мешала разрозненность данных, неспособность получить к ним оперативный доступ и отреагировать на риски в компании. И все же работа отдела качества зависит от способности видеть показатели для каждого потока, не только результаты романизированных проверок, но и на жалобы клиентов, заказы на технические изменения, возвраты и даже использованные материалы.
Чтобы преодолеть разрозненность и позволить функции качества выполнять свою работу, необходимо переосмыслить само восприятие качества. И хотя анализ качества сейчас проводится не так, как раньше, инструменты Уолтера Шухарта сегодня так же актуальны, как и 90 лет назад, особенно в отношении того, как данные о качестве собираются и представляются. Современные профессионалы в области качества должны уметь выявлять проблемы в режиме реального времени и также реагировать на них в режиме реального времени.
Новое представление о качестве стоит на трех столпах:
данные, которые являются движущими силами;
решения, основанные на этих данных;
направление, или механизмы контроля, которые вы устанавливаете на основе данных.
Данные
У нас уже есть данные. Некоторые утверждают, что у них слишком много данных. На современном производственном предприятии данные поступают из производственного оборудования, и большая часть этих данных никогда не используется. У вас есть данные из вашего «алфавитного супа» систем, таких как ERP, QMS, EMS, MAP, MES, PIM и CRM, большинство из которых также не используются почти никогда. У вас также могут быть данные с устройств IIOT, сообщающие о физических показателях предприятия.
Даже если у вас есть система статистического контроля процесса (SPC), которая автоматически собирает данные и создает красивые контрольные диаграммы, попробуйте вспомнить, как они используются на вашем предприятии? Если их просто распечатывают и вывешивают на стене вместе с другими контрольными диаграммами, они станут не чем иным, как визуальным шумом. Но даже если начать исследовать их и получать полезную информацию, сколько вам понадобится сотрудников, которые будут разбираться в накопившемся беспорядке?
Хотя любые данные хороши, хорошие данные лучше. Чтобы данные были полезными, они должны делать гораздо больше, чем просто присутствовать и ожидать, когда вы снизойдете до аналитики; они должны соответствовать потребностям компании в ценности, стоимости и рисках. И самое главное, они должны быть выше общего фона и информационного шума и быть полезными для всех, кто их касается.
Хорошие данные должны быть:
Полными: у вас должны быть все данные, необходимые для проведения анализа, чтобы не забивать воду ненужными данными. Например, если вы анализируете время безотказной работы машины, вам, как минимум, потребуются данные, относящиеся к идентификатору машины, местоположению, отметкам времени и, возможно, операторам. Вам нужно задаться вопросом, помогают ли вам в анализе какие-либо другие данные или просто затуманивают ваше мнение.
Согласованными: ничто не отнимает больше времени при анализе данных, чем попытка согласовать данные, которые должны быть сопоставимы, даже если поступают из разных источников. Насколько это возможно, все данные для определенного анализа должны собираться одинаково и представляться одинаково и в одном порядке, независимо от источника. Насколько полезно сравнивать данные процесса из линии A, собираемые каждую минуту, с теми же данными процесса из линии B, собираемыми один раз в день? Конечно же, такое сравнение ничего не даст.
Эффективными: это означает, что у вас должен быть доступ к любым данным на любом устройстве в любое время. Не должно быть разрозненности, физической или временной. Данные бесполезны, если вы не можете получить к ним быстрый и эффективный доступ. Если данные труднодоступны, ими не будут пользоваться. Здесь также применим эффективный анализ. Еще одной проблемой эффективности может быть количество данных, для работы с которыми приходится проводить чрезмерно много манипуляций чтобы получить результат — это только отнимает время.
Широко доступными: с эффективностью данных напрямую связана доступность. Имеют ли нужные люди доступ к нужным им данным, когда они им нужны? Могут ли они получить к ним удаленный доступ? Если ваши данные распределены между отделами или учреждениями, страдает вся организация. Подумайте, насколько важны данные управления взаимоотношениями с клиентами (CRM) для команды качества.
Централизованными: должен существовать единый источник истины, единое место, где данные надежно хранятся. Это может быть внутренний или облачный сервер, но важно то, что все стороны могут получить доступ к данным из любого места и в любое время. Организации с несколькими сайтами должны иметь возможность мгновенно видеть, что происходит с точки зрения предприятия, а также возможность детализировать сайты и процессы внутри сайтов.
В реальном времени: данные собираются «по мере необходимости» и могут быть доступны для немедленной обратной связи, анализа и контроля, а также для отслеживания тенденций в реальном времени. В действительно цифровой среде технология обеспечивает маршрутизацию, фильтрацию и анализ данных в соответствии с определенными правилами без вмешательства человека. Если процесс начинает выходить из-под контроля, на основании любых назначенных вами правил, программное обеспечение может немедленно уведомить соответствующего сотрудника и показать ему только те данные, которые имеют смысл для данного события. Целью является не только доступ в режиме реального времени, но также уменьшение беспорядка и ясность в полученной информации.
Качественными. Можно сказать, что все вышеперечисленное относится к качеству данных. Рупа Маханти в своей статье «Критические элементы данных и качество данных» пишет, что «данные считаются высококачественными, если они подходят для предполагаемого использования. Другими словами, качество данных можно определить как оценку того, служат ли эти данные определенной цели в данном контексте».
Некоторыми примерами параметров качества данных, которые перечисляет Маханти, являются полнота (то есть наличие или отсутствие значений), уникальность (степень, в которой данные, относящиеся к объекту, не дублируются) и точность (близость значений данных к реальности).
Решения
У данных о качестве, по сути, две жизни. Первая это то, как мы используем их сразу при поступлении. Контрольная диаграмма, которая дает нам обратную связь по процессу, чтобы мы могли выявлять проблемы процесса, является примером первой жизни данных.
Вторая жизнь данных связана с принятием стратегических решений. Какие долгосрочные тенденции они показывают нам? Как мы соотносим жалобы клиентов с изменениями процесса? Почему одна площадка работает иначе, чем другая? Можем ли мы взглянуть на контекстные данные с каждого завода или цеха и сопоставить их с различиями в производительности? Существует так много потенциального знания, которое можно извлечь из «второй жизни» данных, но это знание в значительной степени упускается из виду, в основном потому, что данные спрятаны в электронном эквиваленте картотеки в пыльной кладовой: они невидимы и неизвестны миру.
В любом случае нам нужно переосмыслить, как данные должны быть нам представлены. Нам действительно не нужно одновременно рассматривать несколько десятков контрольных диаграмм. Нам нужно знать что-то только если процесс выходит из-под контроля. Позвольте компьютеру делать всю работу, давая пользователю возможность при необходимости углубиться в детали.
Чтобы быстро принимать решения, всем заинтересованным сторонам необходим легкий доступ к данным, независимо от того, где они находятся и какое вычислительное устройство используют. Интуитивно понятные, легко интерпретируемые данные должны быть доступны в реальном времени в любом месте и в любое время.
Направление
Мы должны не только собирать данные, но и правильно с ними обращаться, уделяя особое внимание исключениям и правилам и представляя данные таким образом, чтобы лучше контролировать процесс. Загроможденные информационные панели, которые показывают все, а не только то, что нужно увидеть, бесполезны.
Последствия такого подхода огромны. Способность понимать процесс и реагировать на него больше не требует наличия у профессионалов в области качества или тех, кто умеет читать контрольную диаграмму. Любой сотрудник может научиться читать информационную панель, которая сообщает ему только то, что ему нужно знать. Тогда собственное знание процесса может помочь определить источник проблемы. Любой сотрудник - от начальника смены до оператора станка, руководителя цепочки поставок или руководителя завода - может знать, какие решения необходимо принять, и при этом принимать правильные решения. Каждый сотрудник становится работником умственного труда.
Изменение способа использования инструментов качества и представления данных о качестве приведет к демократизации функции качества.
«Новая норма»
Теперь, когда мы находимся — надеюсь, в конечной стадии пандемии Covid-19, фраза «новая норма» часто используется, когда речь идет о рабочих местах. Одна вещь, которая стала предельно ясной за это последнее, заключается в том, что, хотя вопрос сбора, анализа и удаленного доступа к данным долгие годы находился на заднем плане для большинства предприятий и компаний, но недавний последний кризис выдвинул эти проблемы на первый план.
Пришло время взглянуть на данные, которые у вас, скорее всего, уже есть, и узнать, как их использовать. Задача вывода и анализа данных на первый план может показаться немного сложной, но не непреодолимой. Да, существуют проблемы, которые нужно решить. Самой большой из них, вероятно, является вопрос рабочей силы. Кто возьмет на себя ответственность не только за решение, какие данные нам нужны, но и за то, как с ними обращаться? Какие навыки для этого нужны? Придется ли нам нанять дополнительных специалистов, чтобы понять, как это работает? И, конечно, как мы будем за это платить? Как рассчитать рентабельность инвестиций?
Но, как показали недавние события, ответ на эти вопросы должен стать приоритетом. Опыт некоторых компаний в первой половине 2020 года показал, что рентабельность инвестиций в данные очевидна. Промышленность будущего не может не поставить надлежащий сбор и анализ данных на первое место в своем списке приоритетов. От решения этих проблем зависит создание гибкой, надежной и устойчивой основы для будущего.