Op weg naar een datagedreven organisatie - Een gids

4 stappen tot beter datamanagement + 7 Concrete use cases uit de maakindustrie

Besluitvorming op basis van data is voor velen een uitdaging. De datakwaliteit is onbetrouwbaar, data mist context of de menselijke intuïtie spreekt tegen. Toch is nú het moment om data correct toe te passen, zodat je niet gokt in de hoop voor een positieve uitkomst maar gegronde argumenten hebt. Voor de midden- en kleinbedrijven in de maakindustrie die nog niet alles uit data halen is hier een guide op weg naar een datagedreven organisatie. 

Voordat we de use cases induiken zijn hier vier stappen om een fundering te creëren voor je datamanagement. 

Disclaimer: In dit artikel ligt de focus enkel op interne processen. Voor gegevens die worden gebruikt voor externe doeleinden adviseren wij om je in te lezen over de wetgeving. 

Stap 1. Eén centrale data-opslag 

Of het nu gaat om productspecifieke of financiële data, gegevens bieden je resultaten zodat je, met de context van de data in het achterhoofd, betere beslissingen kunt maken. Dit begint bij een centraal systeem waar verschillende data stromingen naar leiden. Voorkom dat je data verspreid raakt over diverse systemen. Software-oplossingen met een microservices architectuur zoals die van Togetr hebben het bijkomend voordeel dat elke service onderling communiceert en data van verschillende takken van sport toch centraal toegankelijk is.  

Als je verschillende tools gebruikt voor bijvoorbeeld MES, WMS of ERP, kun je data middels integraties en API-endpoints verbinden. Veel cloud-based SaaS bedrijven hebben (gratis) integratiemogelijkheden met Zapier. Wij adviseren wel om eerst externe integraties grondig te testen voordat je deze volledig implementeert in je werkprocessen. Bij het centraliseren van je tools kun je gebruikmaken van data migration tools, mits je centrale systeem dit niet zelf al ondersteunt. 

Een dashboard met KPI’s houdt je op de hoogte. Er zijn diverse tools beschikbaar die data voor je visualiseren met een gratis beginners licentie zoals Databox. Let op dat dit voor advanced data-inzicht tekort kan schieten. 

Stap 2. Datakwaliteit waarborgen 

Zeker in een data-rijk landschap zoals dat van de maakindustrie gaat het niet om méér data, maar beter datagebruik. Alle mogelijke productinformatie, maandoverzichten en productie-resultaten kunnen je veel vertellen, maar welke informatie is daadwerkelijk toe te passen? Om kwaliteit te krijgen neem je de product lifecycle onder een vergrootglas en volg je de data die je besluitvorming beïnvloedt. Een kritische houding en het steeds accurater willen meten van data leidt tot verbetering van datakwaliteit. 

Zonder in technische diepte te gaan, heeft Togetr haar datastructuur zo opgezet dat deze te lezen is ook na drastische ontwikkelingen. Bij veel software wordt data opgeslagen tot een bepaalde deadline en wordt de primaire data verwijderd. Bij Togetr geloven wij dat er kracht zit in ‘oude’ data, mits deze wel los staat van de meest recente data. Zo kunnen tools die afwijken op het gebied van data-transferring alsnog Togetr-data ontvangen, omdat de originele en meest accurate data behouden blijft. 

Stap 3. Alle neuzen dezelfde kant op 

Een data-gedreven organisatie is enkel succesvol wanneer de bedrijfscultuur daarbij aansluit. Ambassadeurs binnen het bedrijf, resultaten intern publiceren om draagvlak te creëren en het informeren van medewerkers over de mogelijkheden zijn enkele manieren om de beoogde mindset rondom data te stimuleren. 

Stap 4. Data security 

Het belang van data security kan niet vaak genoeg benadrukt worden. Zeker data bestaande uit persoonsgevoelige informatie of bedrijfsresultaten moet enkel voor de bevoegden beschikbaar zijn. Als data security enkel van belang is om boetes te voorkomen, is de boodschap niet aangekomen. 

Enkele stappen die je als organisatie kunt nemen: 

• Trainingen - zodat medewerkers alert zijn op phishing. Veel datalekken ontstaan namelijk via e-mail. 
• Voer regelmatig controles uit zodat je it-landschap volledig beveiligd is. Er zit ook waarde om deze door een extern persoon te laten controleren,  
• Vraag bij je softwareleverancier na hoe vaak er een back-up van je data wordt gemaakt, voor het geval deze noodzakelijk is terug te halen. 

Naast je eigen website, platform of intranet gebruik je vaak ook andere (cloud-based) tools. Ga bij deze softwareleverancieren na of zij voldoen aan de juiste richtlijnen en certificaten.

 7 concrete voorbeelden uit de maakindustrie 

De kracht van data zit in het inzicht dat je hierdoor krijgt. Bij maakbedrijven ligt de focus vaak op het product, maar de mogelijkheden zijn breder. Enkele voorbeelden uit de IoT om data toe te passen binnen een organisatie: 

1. Een haarscherpe verwachting van het komende kwartaal

Om een voorspelling te doen voor een nieuwe periode wordt vaak naar de periode ervoor én dezelfde periode van het jaar ervoor gekeken. Hiermee ga je ervan uit dat de komende periode dezelfde context heeft als vorig jaar. Echter hebben onderhoud, het aantal beschikbare medewerkers en je resources invloed op je resultaten. Een systeem die deze data meet, analyseert en een daarop een voorspelling baseert geeft je een accurater beeld van wat je kunt verwachten.  

2. Optimaal plannen van taken

Efficiëntie zie je terug in resultaten. Bij herhalende taken waar menselijk handelen nodig is kun je beginnen met meten hoe deze zich ontwikkelen. Als de resultaten afnemen na 2 uur kun je voortaan dezelfde taak inplannen in tijdsblokken van 1,5 uur. Met software zoals Togetr MES kun je tot sub-taken de duratie en resultaten meten. 

In drukke periodes zul je dit ook merken op de werkvloer. Prescriptive analytics geeft naast voorspellingen ook suggesties. Na een bepaalde hoeveelheid medewerkers of taken neemt productiviteit af, maar hoe bepaalt een systeem dit aantal? Productieresultaten per uur, bewegingssensoren op drukke plekken en timers van diverse taken vertellen je veel. 

Er zit ook een menselijke kant achter de resultaten. Wanneer KPI’s van een medewerker lager uitvallen dan de periode ervoor kan er misschien iets aan de hand zijn. Voor HRM liggen er ook kansen voor data te gebruiken om problemen voor te zijn. 

4. Voorspel reparaties

Sensoren kunnen je al op tijd aangeven dat een reparatie, mits je weet hoe je deze afleest. Een trilsensor zal normaliter een herhalend patroon weergeven. Zodra er afwijkingen te zien zijn, kan dit aangeven dat een kogellaag achteruit gaat en daardoor de machine meer schudt. Combineer dit met de gemiddelde levensduur en wanneer het vorige onderhoud plaatsvond, en zo creëer je predictive maintenance. Veel machines of onderdelen daarvan bevatten een gemiddelde levensduur of -gebruik. Met tel sensoren meet je hoe vaak een machine of een specifiek onderdeel wordt gebruikt en ontvang je een notificatie zodra deze periode (bijna) afloopt. Ook hier komt optimale planning aan de orde, aangezien je het onderhoud efficiënt kunt plannen zonder dat dit grote vertraging in het productieproces veroorzaakt.  

Neem het nog een stap verder en meet de reparatie frequentie en de gemiddelde oplostijd. Zo kun je in de planning anticiperen op mogelijke reparaties. Met triggers, condities en notificaties kun je al automatisch inspecties inplannen wanneer parameters boven bepaalde waardes komen.  

5. Transport

Bij vertragingen van transport wil je alle betrokkenen direct informeren. Automatiseer emails op basis van asset tracking zodat de juiste personen op de hoogte zijn van de vertraging. Dit kan voor zowel intern voor magazijnmedewerkers opgezet worden, of extern voor een prettige klantervaring. 

Naast tijd, kun je ook kritisch naar het verbruik brandstofverbruik kijken om kosten te besparen. Efficiënte, kortere transport-routes besparen brandstof, maar wellicht heeft een organisatie meer baat bij het combineren van ritten.  

6. Remote monitoring

Tegenwoordig lever je niet enkel een product, maar een product as a service. Motoren van vliegtuigen worden als het waren ‘ingehuurd’ waarbij wordt betaald voor de vlieguren in plaats van de motor. De leverancier zorgt ervoor dat de motor correct functioneert door te meten. In een lift heb je alarmknoppen voor nood. Zodra deze is ingedrukt moet de leverancier een melding krijgen. Het constante overzicht door momentopnames en de afwijkingen in data geven controle. 

7. Lokaliseerproblemen 

Afwijkingen in normaalgesproken constante output indiceert een mogelijk probleem. Gebeurt dit vaker in dezelfde fabriek of in een specifieke productiestap, moet dit aangepakt worden. Daarnaast is deze data cruciaal voor je besluitvorming rondom investeringen. Schommelende luchtvochtigheid en onvoorspelbare temperatuurpieken kunnen grotere problemen veroorzaken, waar je liever op voorbereid bent. 

Valkuilen 

• Data dient als informatiebron en niet als bevestiging van persoonlijke ideeën. Als je op zoekt bent naar data die je eigen idee bevestigen, kun je dit vaak vinden. Gebruik data juist om je verrijkende inzichten te geven. 
• Onderzoek waar plotselinge veranderingen vandaan komen. Abnormale patronen in data moeten onderzocht worden voor context. 
• Integreer data voor besluitvorming in plaats van alleen reflectie. Kwartaalresultaten worden gebruikt om terug te kijken en een plan te maken. Data is niet alleen voor reflectie, maar ook voor toekomstplanning. 

Conclusie 

MKB’s op weg naar een datagedreven organisatie staan voor uitdagingen rondom datakwaliteit, centrale data-opslag en verandering in de bedrijfscultuur. Zeker in de data-rijke maakindustrie gaat het niet om meer datagebruik, maar om een beter gebruik van data. Tijdig problemen traceren, financieel inzicht krijgen voor kostenverlaging en kansen ontdekken in de product lifecycle zijn enkele toepassingen van data op interne werkprocessen. De invloed van data groeit, en om als bedrijf mee te groeien is dit hét moment om de eerste stap te zetten. 

 
Meer gratis hulpmiddelen op weg naar een datagedreven organisatie? 
Whitepaper: Master Data Management & Integration Services 
Blog: 4 unieke kansen voor maakbedrijven door toepassing digitale twins 

Meer weten over datamanagement en een centrale data-opslag?