Duomenys yra gyvybiškai svarbi verslo dalis. Kiekvieną dieną tokios gamybos organizacijos kaip jūsų sukuria terabaitus naujų įrašų, registruojančių įvairaus pobūdžio gamybos procesus. Verslas šiandien, remdamasis tiksliais duomenimis, tvarko ir valdo didžiulės vertės atsargas.
Tačiau kokie galimi duomenų kokybės iššūkiai laukia jūsų? Ar kada esate pagalvoję, kad netikslūs ar neišsamūs duomenys gali lemti per didelį atliekų kiekį?
Šiame tekste nagrinėsiu tris dažniausiai pasitaikančias klaidas, su jomis susijusias galimas rizikas ir pasiūlysiu sprendimus, užtikrinančius, kad minėtieji nesklandumai netaptų didelėmis problemomis jūsų organizacijai.
Problemos dėl svorio
Netikslių ar net klaidingų svorio įrašų, ypač kurie yra susiję su reikšmingomis operacijomis, svarba turi būti tinkamai įvertinta. Nustačius kur su svoriu susiję duomenys gali būti netikslūs, galima matyti kur galimai kaupiasi per didelės atliekos. Galimi atvejai:
- Tiekimo pokyčiai (pvz., tiekėjų keitimas);
- Drėgmė aplinkoje (pvz., sausuose ingredientuose);
- Gamybos proceso pokyčiai;
- Sandėliavimo ar gamybos vietos perkėlimas.
Atsižvelgiant į šias galimas problemas, svarbu nuolat pasverti pavyzdžius ir atnaujinti pakitimus sistemoje. Tikrinimo punktų įrengimas prekių įvežimo skyriuose arba tiesioginis proceso stebėjimas naudojant daiktų interneto (IoT) jutiklius – du būdai šiai problemai išspręsti.
Neaptiktų svorio klaidų kaina gali greitai išaugti iki didžiulių išlaidų, ypač kai apskaitomos granulės, milteliai ar kitos rūšies birios žaliavos. Įsivaizduokite, jei kokio nors komponento svoris yra klaidingas ir plačiai naudojamas daugybėje įmonių, tuomet neteisingas apskaičiavimas gali lemti nemažas išlaidas. Šie klaidingi apskaičiavimai gali atsiliepti ir už gamyklos ribų – atsiranda galimybė susidurti su problemomis eksportuojant prekes, pavyzdžiui, svėrimo punktuose ar klientams priimant prekes.
Tinkamas komponentų sąrašas
Paprasta įsigyto komponento specifikacijos klaida galėjo sugadinti NASA programą Mars Exploration Rover, kuri kainavo 820 milijonų dolerių. Kai inžinieriai 2003 metais išbandė pirotechnikos kaištį, šis įprastas bandymas nepavyko, o tiksliau baigėsi su katastrofiškais rezultatais. Bandymo rezultatai parodė, kad jei jis būtų pakartotas raudonosios planetos paviršiuje, galėjo padaryti nepataisomą žalą Spirit ar vėlesniems Opportunity roveriams.
Vėliau aiškinantis kas lėmė šį katastrofiškai pasibaigusį bandymą, paaiškėjo, kad pagrindinė priežastis buvo prasta NASA ir pagrindinio tiekėjo komunikacija. Pareikalavus duomenų apie medžiagų sudėtį paaiškėjo, kad kaip pagrindinis komponentas buvo naudojamas aliuminis, o ne plienas, kas ir sukėlė sprogimą. Laimei, ši klaida buvo aptikta atliekant bandymus ir pavyko išvengti galimos projekto katastrofos.
Grįžtant prie žemiškų dalykų, nesunku pastebėti, kad tokios programinės įrangos, kaip produktų informacijos valdymo integracijos duomenų klaidos galėtų greitai išaugti į didžiules problemas. Ypač kai kalbama apie tokį produktų integracijos lygį, kaip, elektroninės prekybos su back-end verslo valdymo platforma. Produktų kainodaros klaidos, paleistos į vartotojams prieinamą aktyvią sistemą, gali greitai tapti labai brangios.
Dažnai problemas gali padėti išspręsti tinkamoje proceso vietoje atliekant patikras. Vis dažniau įmonės suteikia galimybę komandos nariams matyti duomenis pasitelkus mobiliuosius įrenginius, taip siekiant laiku aptikti klaidas. Pavyzdžiui, Microsoft Power platforma gali būti naudojama nuskaityti brūkšninius kodus, fiksuoti vaizdus ir sąveikauti su pagrindiniais duomenų srautais tose procesų vietose, kur klaidų rizika yra didžiausia. Pavyzdžiui, specialistams, kurie atlieka kokybės patikrinimus galima suteikti galimybę procesą matyti atvaizduotą vizualiai patogiu būdu.
Standartiniai veiklos duomenys
Vykdant suplanuotas gamybos operacijas kuomet standartiniai veiklos duomenys galimai yra netikslūs, išlaidos pradeda kauptis ir prisideda prie galutinės gaminių kainos. Geroji duomenų valdymo praktikos dalis yra nuolat vykdoma analizė, kuri gali padėti nustatyti neigiamą finansinį poveikį turinčius procesus.
Vienas iš būdų fiksuoti tinkamiausią ciklo laiką atliekant kasdienes operacijas yra nebrangios interneto daiktų technologijos panaudojimas proceso metu. Tam tikro gamybos ciklo planuojamos ir faktines matavimo analizes galima patobulinti naudojant Azure interneto daiktų platformą, kurioje duomenys yra integruojami iš sistemų, tokių kaip D365 FO.
Pasitelkus nuspėjamosios analitikos algoritmus, galima išvengti potencialių klaidų, kadangi apie jas būna pranešama iš anksto. Procesų inžinieriai, gavę duomenis apie galimas klaidas, ateityje gali išvengti rizikos.
Rekomenduojamos kontrolės priemonės
Taigi, kokius veiksmus galite atlikti, kad jūsų duomenys būtų tikslūs ir išsamūs? Žemiau pateikiamos sritys, kurias siūlau išsamiau panagrinėti, kad išvengtumėte kylančio pavojaus jūsų verslo reputacijai bei klientų pasitenkinimui.
Duomenų valymas ir tvarkymas
Reikiamas duomenų valymas turi būti pradėtas iškart, kai tik problema yra nustatyta.
Išanalizavus gautus duomenis iškart pastebėsite tam tikras problemas ir spragas. Vertėtų priskirti tinkamus žmones, kad šios problemos būtų kuo greičiau išspręstos.
Tam pasiekti reikia turėti stiprią komanda, kuri, tikėtina, turės ir savo kasdienių darbų, tačiau būtina suprasti, kad teisingas duomenų tvarkymas gali atsipirkti ateityje ir jis turėtų tapti jų kasdienybės dalimi.
Būtini veiksmai
Prieš pradedant pagrindinį duomenų valymą, gali prireikti atlikti šiuos veiksmus:
- Išrašai iš senų sistemų – jei valoma neprisijungus prie interneto;
- Išsami gautų duomenų spragų analizė;
- Standartizuota duomenų forma (pvz., ISO šalių kodai, valiutos kodai ir kt.);
- Sukurtos valymo taisyklės – aiškiai ir glaustai, taip, kad būtų lengvai suprantama galutiniam vartotojui;
- Aiškios taisyklės standartinei trūkstamai informacijai, pvz. tam tikram klientui trūksta valiutos kodo – patikrinkite jo šalį ir nurodykite tinkamą valiutą tvarkydami duomenis.
Pokyčių kontrolė ir stebėjimas
Kai tik sutvarkomi visi duomenys, iškart kyla grėsmė, kad greitu metu juos vėl teks tvarkyti. Todėl turėtų būti nustatytas metodas, kurio pagalba duomenys būtų stebimi ir išliktų tvarkingi. Tam reikalinga:
- Reguliari duomenų peržiūra pagal apibrėžtas taisykles;
- Po paskutinės peržiūros naujai pridėtų duomenų peržiūra atsižvelgiant į taisykles;
- Jei kinta procesas, susijęs su duomenimis turi būti tinkamai iškomunikuota;
- Reiktų turėti duomenų kokybės prietaisų skydus (angl. dashboard), kuriuose būtų matomos galimos duomenų kokybės problemos.
Pagrindinių duomenų valdymas
Organizacijos turėtų laikyti Pagrindinių duomenų valdymą (PDV) svarbiu verslo procesu ir turėtų apibrėžti visų nekintančių ir pagrindinių duomenų valdymo procesus.
Gali tekti apsvarstyti:
- Pagrindinių duomenų valdymo apimtis:
- Prekių (naujų produktų) procesas;
- Prognozavimas – kas atsakingas už šį procesą?
- Klientai – sąlygų sudarymas ir kt.;
- Tiekėjai – patvirtinimai;
- Kainos ir nuolaidos – patvirtinimai;
- Adresai ir pašto kodai – svarbūs duomenys transportui ir logistikai.
- Duomenų priežiūros vaidmuo ir atsakomybė.
- Aiškiai apibrėžta naujų duomenų įvedimo ir patvirtinimo tvarka ir eiga:
- Rankinis darbas arba automatizuotas procesas?
- Bendrų pagrindinių duomenų valdymo lentelių naudojimas verslo valdymo sprendimuose.
Ar esate pasirengę veikti?
Jei pažinote bet kurią iš paminėtų problemų, gal būt laikas jums pasitelkti kai kurias kontrolės priemones, kurios galiausiai padės jums priimti geriausius duomenų kokybės sprendimus.
OIXIO turi ilgametę patirtį su gamybos sektoriaus įmonėmis ir galime pritaikyti ne tik technines, bet ir praktines žinias.
Susisiekite su mumis ir pasitarkime, kaip mes galėtume jums padėti pasiekti kokybišką duomenų tvarkymo ir valdymo procesą.
Donatas Statulevičius
LinkedIn
