11 ting du kan bruke Machine learning til innen produksjonsvirksomheter

Digitale muligheter har allerede endret måten vi driver virksomheter på. I fremtiden vil det bare gå raskere og raskere. Her er 11 måter du kan bruke Machine learning til produksjonsvirksomheten.

11 ting du kan bruke Machine learning til innen produksjonsvirksomheter

Internet of Things og kunstig intelligens er trender som allerede nå endrer måten man bruker IT i hverdagen. For de fleste virksomheter er det i midlertidig en rekke lavt-hengende frukter som ikke har blitt plukket enda.

Grunnlaget for disse trendene er allerede på plass: Machine learning – eller avansert data-analyse som det også blir kalt. Relativt raskt kan du komme i gang med å utvinne kunnskap av de dataene du har hentet inn. Dette gir resultater langt ut over et standard business intelligence-oppsett kan gi deg.

Her er 11 ting du kan bruke avansert data-analyse til, i produksjonsvirksomheter.

1. Statistisk prognose integrert i Sales and Operations Planning

S&OP-prosessen (Sales and Operations Planning) er en kjerneprosess i mange prosessorienterte produksjonsvirksomheter hvor prognoser ofte driver en lang rekke av downstream-aktiviteter, som innkjøps- og produksjonsplanlegging, samt planlegging av marketing-aktiviteter osv..

Hvis din prognose er upresis, vil det gi en lang rekke med ringvirkninger i form av omkostninger til blant annet lagerbinding og tap av salg.

I mange produksjonsvirksomheter er S&OP-prosessen ofte basert på manuelle input fra forskjellige avdelinger og medarbeidere med forskjellige erfaringsgrunnlag og personligheter. Derfor kan estimatene svinge alt fra meget positive til mer konservative bud.

Ved å implementere statistiske prognoser som supplement i S&OP-prosessen blir du i stand til å korrigere prognosen din, øke presisjonen og åpne døren for en mer effektiv utnyttelse av virksomhetens ressurser.

2. Preventiv vedlikeholdelse

Feil i produksjonsmaskinene eller feil på kundens materiell kan være en vanskelig affære med omkostninger, hvis virksomheten din har vedlikeholdsansvaret. Ut over selve omkostningen til utbedringen av problemet, kan omkostningene følge deg videre som mistet omsetning og betaling av overtid-arbeid være store.

Analytics kan brukes for å analysere påvirkninger og identifisere hvilke individuelle komponenter som mest sannsynlig vil gå i stykker i perioden fremover, og hvorfor.

I en virksomhet som Vestas, bruker de for eksempel sensorer til å måle hastighet, antall omdreininger og værets påvirkning for å forutse når de trenger og utføre service på vindmøllene. I tillegg til å forhindre at mange feil oppstår, gis det også informasjon om hvordan man kan optimere den løpende planleggingen av service og vedlikehold.

3. Root cause-analyse ved feil i maskinen

Hvor preventiv vedlikeholdelse  gir serviceorganisasjonen mulighet til å forutse når noe skjer, er formålet med en root cause-analyse å gi utvikling- og produksjonsavdelingen et innblikk i hvorfor det skjer.

Ved å bruke root cause-analyser blir du i stand til å bruke større datamengder i analysearbeidet, og dermed får du muligheten til å oppdage og jobbe med mer komplekse sammenhenger for og finne årsaken til feil i maskiner og materiell.

4. Handlekurv-analyser

Produksjonsvirksomheter som selger til detaljhandelen er avhengige av hvordan salget går i den enkelte detaljhandler-kjeden, og i den enkelte butikk. Derfor kan det ofte betale seg for produksjonsvirksomheten å skape et tettere samarbeid med detaljkjeden om deling av data.

Ved å gi et mer presist input til prognose-prosessen, kan data gi nye informasjoner om hvordan du kan markedsføre varene dine, og hvilke typer av sammenheng og butikker som skaper mest salg.

Handlekurvsanalyser kan på den måten være med å bidra til effektivisering av produksjonen, minimere unødvendige lagerbindinger, og øke omsetningen.

5. Lageroptimering

Hvis du jobber i en produksjonsvirksomhet, kjenner du utfordringen med å ha store mengder kapital bundet til varelageret ditt. Det gjelder både råvarer, ferdige varer og eventuelle servicekomponenter.

Et stort lager er ingen garanti for at du har de riktige varene tilgjengelig på det riktige tidspunktet. Med en suboptimal administrasjon av lageret ditt, kan dette være en ødeleggende faktor ved at man binder opp for mye kapital, man mister salgsmuligheter, kassering av gamle varer og omkostninger til kontrakter som har blitt misligholdt. 

Ved å bruke avanserte analysemetoder får du bedre oversikt over akkurat hvilke råmaterialer eller varer som du skal ha på lageret, til akkurat riktig tid. Jo lengre analysen kjører, jo mer presis vil den bli. På denne måten kan du ta høyde for:

- Omkostninger av råvarer

- Lead time

- Forventet/prognose av salg

- Ønsket servicegrad

- Analyser av tidsbruk for bestilling av varetyper

- Leveringstider mellom sentrale og desentrale lagre.

6. Optimering av distribusjon

Ut over kapital bundet til lageret, har produksjonsvirksomheter for det meste vesentlige omkostninger til distribusjon både internt og eksternt, når varer skal distribueres mellom lokasjoner og gjennom salgskanaler. Med analytics kan du optimere distribusjonen din.

For eksempel kan det være penger å spare ved at man optimerer ruten fra produksjonsbåndet, til varen er i hånden til forbrukeren. En annen metode er å optimere fordelingen av varer mellom lastebiler og kassebiler som kjører varer ut til kundene.

7. Analyse av servicerapporter

For mange produksjonsvirksomheter er ettersalg av serviceavtaler en vesentlig del av det økonomiske modellen. Ut over å optimere, når det skal ytes service med preventivt vedlikehold, hvorfor feil oppstår feil med Root-cause analyser, og hvilke deler du skal ha på lageret, kan du med analyse av servicerapporter for eksempel identifisere mønstre i feiltyper og optimere planleggingen av servicen din.

8. Analyse av garanti-innsigelser

Produksjonsvirksomheter er underlagt både lovgivning vedrørende garanti og de individuelle avtaler som virksomheten inngår med kunden. De fleste virksomhetene har også opplevd at en del av omkostningene under garantien skyldes bedrageri fra kunden.

Med analytics kan man sette opp en overvåkning som kan hjelpe til med å utpeke og avsløre eventuelle innsigelser som kommer på feil grunnlag. Som et eksempel kan vi ta frem japanske bilprodusenter. Ved å bruke data så utbetaler de langt færre penger under garantiordninger enn for eksempel amerikanske bilindustrier, fordi de er flinkere til å avsløre falske anmeldelser.

9. Prognoser for omsetning

Strategiske beslutninger for fremtiden og planlegging av store beslutninger, som for eksempel åpne eller stenge fabrikker, blir basert på forventninger til den fremtidige utviklingen i markedet.

Med dataanalyse kan du identifisere de driverne som er mest relevante for endringer i omsetningen, og hvordan påvirkningen er for øyeblikket og forventes å bli i fremtiden. Dermed kan du oppnå en mer presis prognose, slik at du får et databasert grunnlag for å treffe dine strategiske beslutninger.

10. Kampanjeplanlegging

Kampanjevarer trekker som regel en stor del av salget – det er jo nettopp derfor de er kampanjevarer. Hvis det mangler transparens i hvilke markedsaktiviteter som skaper mest salg per korne, kan det være vanskelig å vite hvilke kampanjer som har størst effekt.

Med Advanced analytics kan du skape et bedre innblikk i kampanjene. Både i forhold til timing av den enkelte kampanje og i relasjon til hvordan kampanjen henger sammen innbyrdes, og hvilke aktiviteter som driver flest salg. Da finner man ut hvordan det påvirker den samlede retur non investment.

11. Lojalitetsprogrammer og analyse av kundedata

Kundeprogrammer og kundeklubber betraktes ofte som noe som hører hjemme i B2C-segmentet. I takt med det globale forsyningen øker, og kundene får flere valgmuligheter, kan det være en god idé for produksjonsvirksomheter å begynne et mer strukturert arbeid med kundedata.

Det gjelder tradisjonelle data som historiske salg, men også data om dialog med kunder, både digitalt og via kundeservice. Her kan analytics blant annet brukes til:

- Aktivere kryss- og oppslagsstrategier

- Aktivering og segmentering av kundegrupper

- Målrettet marketing-kampanje

- Frafallelse av kunder

- Forståelse av drivere for spesielle kundesegmenter.