Painéis de BI integram dados de fábrica inteligentes para análises significativas

O advento da IoT industrial e fábricas inteligentes colocou novos requisitos em sistemas analíticos de última geração para desbloquear dados de operações de novas maneiras. Embora a análise industrial inteligente seja um caso de uso relativamente recente, a atividade está começando a esquentar. O desafio será encontrar tendências significativas a partir dos dados extraídos de vários pontos de contato IoT industriais, além de simplesmente armazenar o conteúdo em logs operacionais.

A fábrica inteligente gerada por sensores da Internet das Coisas (IoT) deve ser correlacionada com outros pontos de dados corporativos, e a busca por significado deve se tornar uma parte regular dos fluxos de trabalho diários, não um momento passageiro.

A integração de dados de IoT em processos regulares envolve requer software de análise. Este software é alimentado por IA de inteligência artificial e tecnologias de aprendizado de máquina. Outra parte da equação são os conectores IoT que vinculam os painéis de inteligência de negócios de TI aos dados de operações da fábrica.

Embora os painéis de BI tenham sido parte da análise de bastidores, a maioria não foi capaz de processar adequadamente as entradas de dados de IoT industrial até recentemente. Para que as fábricas inteligentes evitem dados isolados, é fundamental selecionar painéis de BI equipados com análises capazes. Hoje, muitos painéis combinam IoT industrial com acesso a data lakes - vastos pools de armazenamento destinados a agregar grandes quantidades de informações não estruturadas - ou então bancos de dados em nuvem.

“Os dados da fábrica inteligente têm muito em comum com os dados que vêm de outras funções em uma empresa”, disse Enno de Boer, sócio da McKinsey. “Para ter valor, ele deve ser usado para informar a tomada de decisão”. Caso contrário, não há muito sentido em colher e agregar grandes quantidades de dados.

Em toda a cadeia de valor

Para serem realmente valiosos, os dados do chão de fábrica devem ser integrados em toda a cadeia de valor, disse de Boer, que chefia o trabalho da McKinsey em manufatura digital e sua colaboração com o Fórum Econômico Mundial como parte da rede Global Light House.

Com o melhor uso da análise, de Boer vê a produção sob medida que influencia tudo "desde o fornecimento de componentes até a entrega final".

A análise de inteligência de negócios hoje é um recurso comum dos produtos de TI corporativos. Mas aplicar a tecnologia para operações se mostrou mais difícil. Apesar dos bloqueadores em implementação, o global deve chegar a US $ 16 bilhões em 2026, de acordo com ResearchAndMarkets.com.

Cartão de pontuação do Smart Factory Analytics

Vários fornecedores agora se esforçam para fornecer análises industriais e painéis de BI aprimorados. Jogadores na vanguarda do mercado de fábrica inteligente incluem ABB, Honeywell International, Robert Bosch, Siemens e outros.

Quando se trata de capturar, processar, armazenar e analisar dados de fábrica inteligentes, os gigantes de TI com pegadas notáveis ​​na manufatura fazem parte do mix. Os principais entre eles são IBM, Hewlett Packard Enterprise e SAP. As startups de dados inovadores também têm como alvo os requisitos especializados de análise de fábrica inteligente, como Cloudera e DataStax.

À medida que a nuvem se torna o ponto central da análise de fábrica, os líderes em nuvem Amazon Web Services, Google e Microsoft estão construindo pipelines de fluxo de trabalho de dados especializados. Os jogadores, por sua vez, oferecem suporte aos painéis de business intelligence do usuário final, como os da Looker, Microsoft, Tableau e outros.

Construção de fábrica inteligente

Construir análises de fábrica inteligentes é uma tarefa formidável. Um site de manufatura típico pode criar mais de 2.200 dados em um único mês, e a maioria desses dados não é analisada, de acordo com um relatório da IBM sobre transformação digital. O influxo de dados que permanecem não analisados ​​contribui para o problema dos projetos de prova de conceito (POC) da IoT industrial que se arrastam.

A maioria dos dados industriais é gerada fora da TI, enfatiza Manish Chawla, gerente geral de indústrias, energia, recursos e manufatura da IBM. Ele indicou que os esforços recentes da indústria se concentram em melhorar as bases do projeto; um planejamento inadequado pode prolongar o tempo de espera dos POCs.

“As pessoas tentaram construir uma cobertura sem ter uma fundação”, disse ele.

Chawla também disse que a IBM trabalhou recentemente com a Siemens e a Red Hat em uma abordagem de plataforma cruzada para executar análises da plataforma Industrial IoT da Siemens, MindSphere, mais perto da borda da fábrica.

A SAP está trabalhando para permitir que os clientes analisem uma combinação de dados históricos orientados para séries temporais junto com IoT e dados de negócios, disse Dominik Metzger, vice-presidente e chefe de gerenciamento de produto, manufatura e IoT industrial da SAP. Um historiador de dados é uma função de software que registra a saída dos processos de manufatura de TI para fins de governança.

Para Metzger, uma das principais mudanças nos últimos anos é o grau de padronização no tratamento de dados. “Ficou mais econômico e escalonável”, disse Metzger, citando os lagos de dados como um facilitador de análises para fábricas inteligentes.

A SAP vê a incorporação de análises de dados de IoT em processos de negócios como a próxima etapa principal em sua estratégia da Indústria 4.0, que apelidou de Indústria 4. A Indústria 4 é uma arquitetura de referência que abrange fluxos de trabalho de fontes como historiadores de dados, serviços de ponta e nuvem ou ERP sistemas com recursos de business intelligence.

Volume de dados necessário do Analytics

A evolução da análise de fábrica inteligente é complicada por forças que afetam a análise em geral. Por exemplo, o surgimento de análises preditivas e prescritivas baseadas em IA e aprendizado de máquina apresenta vários desafios de implementação. Aqui, os usuários devem proceder com cautela ao usar análises para se aprofundar nas operações, de acordo com Ed Cuoco, vice-presidente de IA e Análise da PTC.

Ao implementar análises para diagnósticos, por exemplo, há momentos em que o controle de processo estatístico simples pode ser preferível ao aprendizado de máquina ou soluções do tipo AI, disse Cuoco.

“Sem dados históricos de boa qualidade em volume, você pode não ser capaz de obter o insight que deseja”, acrescentou.

O provedor de plataforma IoT, PTC, trabalha em estreita colaboração com usuários finais e outros fabricantes de software para fornecer análises desde a linha de frente da fábrica até o usuário final de negócios e, às vezes, vice-versa. Esse é o caso de um acordo recente que vê a estrutura Fujitsu Smart Factory usando a realidade aumentada Vuforia da PTC e as plataformas ThingWorx para transmitir informações analíticas aos trabalhadores de operações.

Novos gráficos para análises

A tecnologia de dados gráficos - há muito tempo na periferia do cenário de análise de dados avançada - ganhou aceitação em fábricas e outros ambientes. Bancos de dados gráficos, como o Aura Enterprise da Neo4j, provaram ser úteis e colocaram a análise de fábrica inteligente dos usuários em contexto e possibilitaram projetos colaborativos que identificam novas eficiências operacionais.

Ao contrário dos bancos de dados relacionais que sustentam a maior parte da análise de dados e armazenam dados em linhas e colunas, os formatos de dados gráficos usam mapeamentos de dados para gerenciar conexões complicadas entre os elementos de dados. Os setores-alvo da Neo4j incluem automotivo, garantia, análise, gestão da cadeia de suprimentos e instrumentos médicos. O setor médico, em particular, demonstrou a capacidade dos bancos de dados gráficos de promover a colaboração entre equipes, de acordo com Amy Hodler, diretora de análise de gráficos e programas de IA da Neo4j.

Uma empresa de instrumentos médicos que buscava rastrear as falhas antes do envio do produto considerou os métodos gráficos do Neo4j úteis, observou Hodler. A identificação de tais falhas geralmente envolve trabalho de detetive, porque todos os subcomponentes de um instrumento defeituoso devem ser rastreados para determinar se eles são responsáveis ​​pela falha.

Para colocar a análise nas mãos de mais usuários, o Neo4j oferece conectores que vinculam seus modelos de dados gráficos à visualização de dados e painéis de descoberta, como Tableau, Tibco Spotfire e outros. A empresa também oferece suas próprias ferramentas de visualização do Bloom.

Também se conectando a uma série de painéis visuais estão as ferramentas de gerenciamento de software da DataStax, uma empresa que em grande parte levou à comercialização do banco de dados NoSQL de código aberto. A edição empresarial do produto DataStax oferece suporte ao manuseio de dados gráficos. Entre os criadores de aplicativos IoT que usam seu software está a Locstat, com sede na África do Sul, que implantou o produto para analisar dados de sensores e análises de streaming em tempo real.

“A visualização está se tornando um elemento cada vez mais importante para tentar entender o que está acontecendo no cenário da IoT, em particular quando você está lidando com uma configuração bastante complexa”, disse Matthias Broecheler, tecnólogo-chefe da DataStax.

As ferramentas de análise visual ajudam a equipe de operações, desenvolvedores e outros, acrescentou. Ao mesmo tempo, Broecheler observou que algumas decisões em fábricas inteligentes exigem resposta imediata. Essa força motriz está por trás de novas formas de processamento analítico que, sem transformação humana, detectam e respondem autonomamente às anomalias do chão de fábrica.

Adeus, Data Silos

Em fábricas inteligentes, gerentes, operações de campo e equipes de desenvolvimento de TI precisam trabalhar juntos, assim como em qualquer outro tipo de transformação de negócios, disse de Boer da McKinsey.

“As transformações falham quando as equipes operam em silos e apenas uma função conduz as tentativas de iniciar as mudanças”, disse ele em uma entrevista por e-mail. O esforço para democratizar os dados exige que as pessoas de toda a organização entendam o poder das novas tecnologias e como usá-las, disse de Boer.

Para o setor de manufatura, o papel do pessoal de operações na determinação da democratização dos dados será revelador.

“Com ferramentas analíticas nas mãos do pessoal de operações, as empresas poderão desenvolver mais facilmente soluções que atendam aos desafios de negócios”, disse de Boer.

De Boer da McKinsey apontou para os programas da academia de análise criados por membros da Global Lighthouse Network e argumentou que todas as partes interessadas poderiam ganhar com a participação, incluindo todos, desde a diretoria até a linha de frente da produção.