製造業は、データから効果的に価値を引き出すことに苦労しています。
複数のパートナーが関わる複雑なデータ活用は、単純な活用よりもはるかに大きな価値を製造業者にもたらします。
正確な設備データを意思決定者が利用できるようにすることで、製造業者は高度なソリューションによって製造業を革新するという、インダストリー4.0の大きな約束を実現できます。
製造業は、データ収集とデータ活用の間の乖離によって苦境が続いており、価値あるユースケースが妨げられるか、完全に失われています。
膨大な量のデータが収集されているにもかかわらず、この業界は同業他社の中で依然として後れを取っており、 データ管理におけるタスク自動化の水準が最も低いことを示しています。
多数の接続された資産があるため、製造業者は運用データを収集することの価値を認識しています。しかし、収集された生データは、意思決定エンジンとしての役割という本来の目的を果たす解決策にはなっていません。
製造業は、高齢化した労働力が抱える属人的な知識と、適切な技術的スキルを持つ新たな人材の確保の難しさという両方の問題に依然として苦慮しています。
Graham Immerman
こうした状況の多くは、生データのままではほぼ役に立たず、せいぜい最も単純なユースケースしか支えられないという事実に起因しています。データ成熟度の低い組織により適したこれらの「初歩的」なユースケースは、迅速かつ継続的な価値創出の基盤を築くうえでも極めて重要です。
しかしまず、製造業者が利用可能なデータを入手することがなぜこれほど困難なのでしょうか？
スキルのギャップとデータのサイロ化
製造業のデータから価値を獲得するうえでの最大の課題は、スキルと能力の不足であることが、 フォーラムとBCGが実施した調査で明らかになっています。
製造業は、高齢化した労働力が抱える属人的な知識と、適切な技術的スキルを持つ新たな人材の確保の難しさという両方の問題に依然として苦慮しています。
さらに、データのサイロは組織内で水平方向と垂直方向の両方、さまざまな形で発生します。データは機械に閉じ込められたり、ソフトウェアへの依存関係があったり、部門ごとに分断されたり、手作業による収集のために「時間」の中で古くなったまま取り残されたりすることがあります。
製造設備は複雑で、絶えず変化する数百もの異なるデータポイントが生じます。これらの個別のシステム全体でデータを分析するための効果的なツールを提供するには、データはサイロを解消するだけでなく、理解できるように共通のデータモデルへ変換されなければなりません。
また、レガシー設備は機械から正確で利用可能なデータを取得することを困難にしています。加えて、これらの資産はレガシーインフラやクラウドへの消極的な姿勢によって補完される傾向があります。接続される資産やシステムが増えるにつれ、インフラは崩壊していきます。
解決策は？データ成熟度に応じた、段階的に価値をもたらすユースケース
製造業者は、データを効果的に収集・活用するという課題を克服し続けるにつれて、段階的に価値のあるユースケースに取り組むことができます。これらのより高度なユースケースは、データの収集、変換、アクセシビリティを支えるより成熟したデータインフラの成果です。
さらに、高度なユースケースは、連携した解決策プロバイダーのエコシステムによって支えられなければならず、単純なポイントソリューションや社内リソースへの依存では不十分です。このエコシステムには、機械メーカー、サービスプロバイダー、テクノロジーソリューション、システムインテグレーターが含まれます。
各パートナーは独自の視点と能力を提供し、単純なものよりもはるかに大きな価値をもたらす複雑なユースケースを推進します。
単純なユースケースは、データ活用の初期段階にある製造業者がどのようにデータの利用を始められるかを示しています。
リアルタイムの計測とモニタリング
生産上の課題を正確に特定し、この情報を意思決定者にとってアクセス可能で目に見える状態にすることができることは、問題を緩和するための第一歩です。これをデータ活用の第一段階と考えてください。
設備から正確なリアルタイムデータを収集するという当初の課題を克服することで、製造業者は生産性能を即座に把握できるようになります。受信するデータの流れを監視するだけであっても、すぐに価値が得られます。
例として挙げると、SilencerCoは、銃器用サプレッサーの製造業者です。経営陣は、基準値によって現実的な期待値を設定し、意思決定を改善するために、機械からリアルタイムデータを収集することに関心を持っていました。
設備やオペレーターから取得されたライブデータは、現場に表示されるだけでなく遠隔からもアクセス可能であり、経営陣が適切に対応できるとともに、オペレーターに説明責任の意識を持たせます。
定性的に見ると、データの即時的な可視化により、SilencerCoは最も基本的でありながら不可欠な問いへの答えを得られました。また、主要なダウンタイムイベントの根本原因を特定するために、データを分析してさらに深く掘り下げる機会も得られました。
データの可視化により、SilencerCoは機械稼働率が8%向上し、良品生産が200%改善し、11,500時間の計画外ダウンタイムを解消しました。
アルゴリズム、予測分析、自動化
次に登場するのはBC Machiningです。ノースカロライナ州の製造業者で、多様な産業ニッチの顧客にアルミニウム加工サービスを提供しています。これはより高度なデータ活用事例です。ただし、目標は変わらず、意思決定を強化し、より迅速に、さらには自律的に意思決定を行うことです。
データ収集と生産上の問題の可視化を支えるシステムを導入した後、BC Machiningはデータをさらに活用したいと考えましたが、すでにデータ成熟度の第一段階を超えており、データを支え効果的に活用するための確立されたインフラを備えていました。
しかしBC Machiningは、利益追求のために設備を200%の能力で稼働させ続け、工具を絶えず破損させ、その結果生じるスクラップ部品のコストと、成功の副産物として失われた時間を受け入れていました。
同社には、より高い頻度（1kHz）で設備データを収集できる、より複雑なソリューションが必要でした。この新たなデータポイントの流入により、BC Machiningは工具がいつ故障するかを予測するアルゴリズムを開発できるようになりました。さらに、問題は機械制御装置に伝えられ、機械が自動的に停止されます。
予測分析を用いたこの高度なユースケースにより、スクラップ部品およびオペレーターがスクラップを仕分けに費やす時間をほぼ100%削減することができました。その結果、オペレーターと機械はより多くの時間を良品の生産に充てられるようになりました。その成果は、機械1台あたり年間72,000ドルの節約です。
インダストリー4.0は、高度なソリューションによって製造業を革新するという約束を掲げてきましたが、データ活用を始めるには、製造業者はまず、正確な設備データを収集し、意思決定者が利用できるようにできていることを確認しなければなりません。
そうして初めて、迅速な価値創出を実現でき、将来的にはパートナーのエコシステムとともに高度なデータユースケースを展開する機会も得られます。
