• Сокращение операционных издержек, поскольку проблемы выявляются и исправляются раньше, чем наступит ухудшение ситуации. Сокращаются и переменные операционные издержки, такие как потребление бензина.
• Сокращение количества срывов графика поставок и производства: компании лучше справляются с выполнением обязательств по уровню обслуживания и избегают любых предусмотренных договором штрафов.
• Повышение своевременности доставки, которое помогает улучшить обслуживание клиентов.
• Сокращение системных расходов, вызванных задержками, что помогает компании избежать всевозможных расходов из-за задержек.
• Оптимизация логистических систем, которая позволяет организации лучше оптимизировать ресурсы водителей, логистики, автомобилей и базы в целях максимизации эффективности.
Использование предиктивной аналитики для выявления и понимания проблем и незамедлительного принятия необходимых мер
Как я писал в предыдущей главе, именно предиктивная аналитика обеспечивает получение самых крупных преимуществ от внедрения IoT. Подключение устройств к сети и добавление ряда датчиков и счетчиков быстро приводит к генерации большего объема информации, чем может вручную обработать ваш персонал. Более того, когда данные IoT начнут поступать быстрее, чем их можно будет анализировать, у вашей команды голова пойдет кругом, несмотря на все сигналы и предупреждения. По мнению старшего вице-президента и научного сотрудника IDC Вернона Тернера, который занимается изучением интернета вещей, сегодня анализируется менее одного процента генерируемых данных. Предиктивная аналитика нужна вам, чтобы как минимум помочь своим сотрудникам с сортировкой и пониманием потока информации для обеспечения принятия обоснованных решений. Это не высшая математика – просто понимая основные схемы и выявляя исключения и отклонения от общего правила, вы уже сможете извлечь немалую выгоду. Но это только начало. Преимущество подключения всех этих умных ресурсов к единой IP-сети состоит в возможности корреляции и комбинирования данных, происходящих из разных источников, с целью получения новых сведений и принятия необходимых мер.
Вот производственная проблема: заводы работают, используя гораздо больше мощности, чем когда-либо ранее. Часто они работают круглосуточно на пределе своих возможностей, из-за чего у производителей не остается свободного времени даже на экстренное техническое обслуживание, не говоря уже о плановых профилактических работах. При простое заводы теряют до 20 000 долларов в минуту, поэтому производители не могут позволить себе остановку работы. Остановка может стоить заводу до 2 миллионов долларов, если оценивать ее влияние на всю систему. Такая же ситуация характерна для умных сетей электроснабжения, умных городов, транспортных сетей и других ответственных систем, которые должны работать непрерывно, порой имея время на техническое обслуживание лишь раз в год. Хотя иногда система может быть полностью дублирована, но это, как правило, непрактично и невыполнимо по экономическим причинам.
В компании Rio Tinto, пример которой обсуждался в одной из предыдущих глав и снова будет упомянут ниже, проблемы всегда происходили в почти недостижимых местах, но описанные здесь решения предиктивной аналитики могут в любое время применяться и адаптироваться к любому местоположению. Даже в городской среде, даже если поставщик услуг находится в соседнем здании, при возникновении проблемы требуется время на то, чтобы собрать обслуживающую команду, провести диагностику, собрать необходимые запчасти и наконец решить проблему. Будь это хоть час, хоть несколько дней – производство все равно страдает. Целевые показатели работоспособности системы не достигаются, заказы клиентов не исполняются вовремя, что негативно влияет как на валовую выручку, так и на чистый доход. Приведенные ниже цифры показывают не слишком привлекательную картину, но с предиктивной аналитикой на базе IoT вы сможете существенно улучшить эти показатели.
В своей статье «Чистая стоимость простоя»
[28], опубликованной на сайте DevOps.com в феврале 2015 года, Алан Шимель показал: простои сильно влияют на широкий спектр отраслей. К примеру, вот показатели одной компании из списка Fortune 1000:
• Средняя сумма затрат на незапланированный простой приложений находится в диапазоне от 1,25 до 2,5 миллиарда долларов в год.
• Средние почасовые затраты на сбой в инфраструктуре составляют 100 000 долларов.
• Средние почасовые затраты на сбой в критически важном приложении находятся в диапазоне от 500 тысяч до 1 миллиона долларов.
Я не могу себе представить ни одной организации, которая по своей воле готова смириться с такими потерями, особенно при наличии проверенного решения. Давайте рассмотрим пример решения этой проблемы. Основанная более 50 лет назад компания FANUC (рис. 5.4) предлагает широкий спектр автоматизированного оборудования для производства автомобильных комплектующих и промышленного рынка вообще. Компания страдала от недостатка сведений о том, как клиенты используют ее оборудование в своих цехах. FANUC получала необходимую информацию только после того, как возникали проблемы, приводившие к затратным для ее клиентов простоям. Затем, в партнерстве с Cisco и Rockwell Automation, FANUC нашла решение, которое называет «приближенным к нулю временем простоя».
Рисунок 5.4. Пример FANUC
Чтобы приблизить время простоя к нулю, FANUC начала собирать операционные и диагностические данные, генерируемые ее роботами, работающими в производственных цехах (само собой, с позволения клиентов), хранить их в облаке и использовать предиктивную аналитику для устранения всех потенциальных проблем, прежде чем они окажут свое негативное влияние. И это работает! FANUC убедила ОТ– и ИТ-департаменты своих клиентов делиться данными. Анализируя эти данные в реальном времени с опорой на архивную информацию и метрики и улучшая время реакции на потенциальные инциденты, FANUC применяет IoT, чтобы предлагать своим клиентам профилактическое решение, которое точно (не забывайте, вещи неизбежно ломаются) станет бесценным.
Вспомните приведенный в прошлой главе комментарий Саджита Чанда об огромном потенциале энергосбережения. Вот как обслуживающая производственную цепочку Cisco команда достигает этого при помощи предиктивной аналитики. «Мы управляем всеми аспектами производственных затрат на наших фабриках, высчитывая их до последнего цента… Во всяком случае, нам так казалось», – сказал старший вице-президент Cisco Джон Керн, отвечающий за деятельность производственной цепи. Но до недавнего времени Cisco не контролировала один аспект своих расходов – стоимость электроэнергии. На одном производственном предприятии Cisco в Малайзии обслуживающая производственную цепочку команда развернула в цеху сеть из 1500 датчиков и использовала аналитическое программное обеспечение для сбора данных об энергопотреблении. Эта информация позволила им оценить энергоэффективность отдельных машин, систем и производственных процессов. К примеру, они взглянули на камеры для термотренировки и обнаружили, что расход энергии радикально различается даже у одинаковых моделей. Они копнули глубже, заменили недостаточно производительное оборудование и адаптировали работу камер, оптимизировав эффективность и энергопотребление. Результат: 15–20 %-ное сокращение энергопотребления на всем предприятии, которое на следующий год привело к экономии 1 миллиона долларов. Но для команды Керна это было лишь начало. Они уже ищут способы еще сильнее (на 30 %) сократить энергопотребление и внедрить эту систему на более чем 20 других предприятиях по всему миру. «Такие результаты открыли нам глаза. Мы сэкономили деньги и сократили свои углеродные выбросы», – заметил Керн.
