27.4 C
New York

Fem sätt Enterprise Data förbättrar produktdesign, tillverkning

Datum:

Tillverkare av alla slag vet att de behöver förnya sig och föra ut produkter snabbare på marknaden. Men insatserna är betydligt högre när det gäller att göra komplexa produkter.

Ta den USA-baserade chipjätten NVIDIA. Det började som en stor leverantör av chips till PC-spelindustrin och har sedan dess expanderat till sjukvård och transporter, inklusive självkörande bilar. Dessa drag höjde insatserna avsevärt när det gäller kostnaden för produktfel. Ett defekt chip i en självkörande bil kan resultera i ett mycket allvarligare resultat än ett chip som går sönder i en videospelskontroller.

Nyckeln till att undvika produktfel och säkerställa kvalitetshantering ligger i data. Idag genererar företag mer av det från fler källor än någonsin – från testutrustning, produktprovtagning, kvalitetsrevisioner och applikationer för hantering av kundrelationer till kundfeedback, callcenter och rotorsaksanalyser. Utmaningen ligger i att utnyttja denna flod av data, identifiera vad som är mest relevant och omvandla det till insikter som driver kunnigt beslutsfattande och processer som är mer effektiva, exakta och säkrare.

Men det räcker inte att bara samla in data. Organisationer som hoppas bli framgångsrika i dagens konkurrensutsatta miljö behöver också verktyg och insikter för att analysera verksamheten innan problem uppstår.

Ett betydande antal företag har redan integrerat dataanalys i sina kvalitetsinitiativ, och trenden förväntas bara växa när fler chefer ser värdet av en datadriven strategi. Hur använder du dig då bäst av den data du har för att fatta välgrundade beslut och åtgärda kvalitetsproblem så tidigt i produktens livscykel som möjligt?

Nyckeln är att använda data för att avslöja viktig information, identifiera mönster och trender och justera processer för att påskynda lösningar och förbättra resultat. Innovationer inkluderar prediktiv analys, som bygger på historiska data för att identifiera mönster och förutsäga framtida resultat, och föreskrivande analys, som ger en lösning på det identifierade problemet. Varje typ av analys gör det lättare att få värdefulla insikter som gör det möjligt för företag att förhindra att problem uppstår, eller vidta korrigerande åtgärder tidigare när de gör det.

Den första frågan som företag behöver besvara är: Vilka är problemen som kan lösas med data? Äldre IT-infrastrukturer och ett beroende av pappersbaserad praxis, till exempel, är inte bara oförmögna att hålla jämna steg med kundernas och leveranskedjans digitala krav, utan de saknar också den transparens som krävs för att kommunicera problem effektivt. Tänk på följande sätt på vilka dataanalys kan tillämpas genom hela produktionsprocessen:

Designar för kvalitet från början. Kvalitetsprocessen börjar i produktdesignfasen. Information som hämtas från dataanalys säkerställer att du väljer rätt leverantörer för att anskaffa råvaror av högsta kvalitet, baserat på feedback från intressenter och slutanvändare, och identifiera potentiella produktdefekter i varje designiteration. Dataanalys från tidigare produkter och konstruktioner kan vara extremt användbara för att vägleda nya designbeslut, vilket ger en högre nivå av klarhet i många aspekter av designprocessen, från komplexiteten i systemkraven till effekterna av designändringar.

Skapa en enda källa till sanning. Genom att fånga de många källorna till kvalitetsdata från testning, revision, utredningar och liknande kan du skapa en enda källa till sanning som är centraliserad. Detta kräver att man tar bort silos mellan olika avdelningar, såsom ekonomi, HR och teknik, och demokratiserar data för att göra den tillgänglig för alla intressenter för analys och omedelbart beslutsfattande.

Analysera avvikelser för att identifiera grundorsaker. Genom att fånga och analysera realtidsdata från många källor kan du få en 360-vy av dina processer. Det gör att du kan isolera avvikelser och skapa korrigerande handlingsplaner för att åtgärda grundorsaken till ett problem, oavsett om det är en engångsavvikelse eller ett systemproblem. Alla intressenter kan hålla sig informerade och samarbeta i realtid för att snabbt lösa problem och säkerställa kontinuerliga förbättringar.

Använda statistiska processkontroller.  Dataanalys spelar en viktig roll för att övervaka, mäta, kontrollera och förbättra processer, för att säkerställa specifikationsöverensstämmelse med produkter med högre effektivitet och mindre avfall. Även om det alltid kommer att finnas variation i en process, gör dataanalyser det möjligt för dig att spåra trender i realtid, vilket gör att du kan kontrollera kvaliteten och vara proaktiv innan variationen går utanför fördefinierade gränser.

Genomföra dokumentkontroll. När ett beslut har fattats baserat på analyser kan du uppdatera dokumentationen för att återspegla nya processer och tekniska specifikationer. Du kan förhindra oavsiktlig användning av föråldrade processer eller procedurer genom att använda den senaste versionen av godkänd dokumentation i hela organisationen. Vidare kan du utbilda anställda baserat på reviderade processer och procedurer, samtidigt som du spårar antagandet av ny dokumentation, processer och procedurer.

Gartner definierar analys som den "autonoma eller semi-autonoma granskningen av data och innehåll med hjälp av sofistikerade tekniker och verktyg för att upptäcka djupare insikter, göra förutsägelser eller generera rekommendationer." Med de rätta analysverktygen kan företag utnyttja sin mängd data för att få insikter som hjälper dem att svara på miljontalsfrågorna: Vad händer i verksamheten? Vad ska vi göra åt det? Hur gör vi det? Och vad kan vi göra härnäst?

David Isaacson är vice vd för ETQ.

  • Myntsmart. Europas bästa bitcoin- och kryptobörs.Klicka här
  • Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
  • källa: https://www.supplychainbrain.com/blogs/1-think-tank/post/35109-using-enterprise-data-to-make-smart-business-decisions

Relaterade artiklar

plats_img

Senaste artiklar

plats_img