Machinebouwers worstelen met het halen van waardecreatie voor klanten en/of henzelf uit big data

0

Veel data verzamelen uit de machines of systemen die ze bouwen, is voor oem’ers een koud kunstje. Spannend vinden ze het pas bij het vervolg: uit die big data waarde destilleren voor klanten en/of henzelf. Dat viel in Eindhoven te beluisteren op een drukbezocht congres over toepassingen van big data in de industrie. Grote namen als ASML en Signify, en innovatieve middelgrote fabrikanten als Kaak, kwamen met praktische, openhartige verhalen. ‘We noemden het geen big data meer, maar lijnoptimalisatie.’

blank

Foto: Arnold Reyneveld

Worstelen met waardecreatie

The House of Technology koppelt als technologiepartner voor de industrie technische experts aan bedrijven en organiseert kennisuitwisseling voor technische managers en productmanagers. Die doelgroep worstelt met de hype van big data, waarvoor dataconsultants en leveranciers van cloudplatforms schitterende vergezichten schetsen. Alle reden voor The House om er een congres over te organiseren waar de industrie verhalen uit de praktijk kon komen.

blank

Frank Verouden, manager r&d Kaak.

Big data roadmap: Big data is complex, dus begin eenvoudig’

De beschikbaarheid van big data maakt ook industriële bedrijven enthousiast. Zoals Kaak, fabrikant van machines voor de bakkerij-industrie in Terborg. Een complete bakkerijlijn kan wel 150.000 datapunten tellen, vertelt Frank Verouden, manager r&d. Denk alleen al aan de productdragers voor bijvoorbeeld 5.000 broden die tegelijk in een rijskast liggen. ‘Dus is Kaak vijf jaar geleden gestart met de ontwikkeling van een platform, iBakeCare geheten, voor het ontsluiten van al die data. Er volgde zelfs een beurspresentatie, maar het ontbrak nog aan een businesscase voor het zinvol benutten van al die data.’ Reden om het anders aan te pakken, aldus Verouden, die in 2017 bij Kaak aantrad. ‘We hebben het toen opgepakt als een echt productontwikkelproject en noemden het geen big data meer, maar lijnoptimalisatie. Daarvoor hadden we drie vragen: welke tools hebben we nodig, welke relevante procesdata moeten we genereren en hoe kunnen we er geld mee verdienen? Op onze roadmap stond als eerste een oee-module (voor het bepalen van de overall equipment effectiveness van een productielijn, red.). Tijdens een toer langs klanten bleek op sommige lijnen al zo’n module te draaien, maar we zagen meteen dat wij dat beter konden. De klant wil de oee bijvoorbeeld van 95 naar 98 procent verbeteren en heeft daarvoor nauwkeurige data nodig; dat hebben wij goed uitgezocht.’

Vraag jezelf altijd af welk probleem je eigenlijk aan het oplossen bent voor je klanten.’

Bij de volgende halte op de big data roadmap, een maintenance-module, moest Kaak de neiging onderdrukken om alle mogelijke data op te nemen. ‘Voor simpele componenten is het voldoende om het onderhoud tijdgebaseerd te plannen. Motoren bijvoorbeeld gaan nauwelijks kapot, dus die hoef je niet intensief te monitoren. Alleen voor kritische onderdelen, line-breakdown parts, waarvan een storing een lijn zomaar twee dagen kan stilleggen, is predictive maintenance zinvol.’ Conclusie van Verouden: ‘Big data is complex, dus begin eenvoudig. Bovendien, is de markt wel geholpen met heel geavanceerde functionaliteit? Vraag jezelf altijd af welk probleem je eigenlijk aan het oplossen bent voor je klanten.’

blank

Niels Geraerts (Signify): ‘Alles is mogelijk, maar wat levert waarde op? Die analyse moet je eerst maken.’ Foto: Arnold Reyneveld

Data met licht

Signify (voorheen Philips Lighting) volgt ook een roadmap voor big data, vertelt Niels Geraerts, European product manager indoor luminaires. Die valt samen met de transformatie van lamp- naar led-verlichting en daarmee van producten naar systemen en services. Want led-verlichting is eenvoudig te integreren met elektronica tot complete systemen waaraan allerlei sensoren kunnen worden toegevoegd. Dankzij vaste of draadloze connectiviteit kunnen die verlichtingssystemen worden uitgelezen of zichzelf melden, bijvoorbeeld als de straatverlichting ergens defect is. Toepassingen liggen ook in gebouwbeheer, met bewegingssensoren die de bezetting van werkplekken en vergaderruimtes monitoren en met temperatuur- en vochtigheidssensoren voor klimaatbeheersing.

 Een supermarkt bijvoorbeeld kan de data gebruiken om de winkelindeling en het assortiment te optimaliseren. Geraerts: ‘Alles is mogelijk, maar wat levert waarde op? Die analyse hebben we hier goed gemaakt.’

Geraerts herkent de ‘struggle’ met big data, software en diensten bij mkb’ers. ‘Bij een veel groter, van oudsher hardwaregeoriënteerd bedrijf als Signify is het niet anders. Ons verhaal was aanvankelijk vooral technologiegebaseerd.’ Technisch kan er heel veel, elk systeem of apparaat kan aan het internet worden gehangen en data genereren. Dat levert echter nog niet meteen een valide businesscase op, stelt Geraerts en hij laat een plaatje van een connected strijkijzer zien. ‘Waar is hier het inzicht in de klantbehoefte?’ Signify hanteert daarom de outside-in-methode voor het genereren van waardeproposities. ‘We beginnen vanuit het klantperspectief: Target, Insight, Alternatives. Op basis daarvan definiëren we een waarde die past bij dit inzicht: Benefit, Reasons to believe, Superiority.’ Ter illustratie toont hij een nieuwe ontwikkeling voor winkels: indoor positioning op basis van zichtbaarlichtcommunicatie. Speciale armaturen kunnen communiceren met een smartphone-app en exact de locatie bepalen. De klant kan daarmee (anoniem) binnen de winkel navigeren, artikelen zoeken en locatiegebaseerde diensten, zoals speciale aanbiedingen, ontvangen. Een supermarkt bijvoorbeeld kan de data gebruiken om de winkelindeling en het assortiment te optimaliseren. Geraerts: ‘Alles is mogelijk, maar wat levert waarde op? Die analyse hebben we hier goed gemaakt.’

blank

Wim Bus (ASML): ‘De noodzaak voor data engineering wordt nogal eens onderschat.’ Foto: Arnold Reyneveld

Waardeboom

Waardeanalyse is eveneens het trefwoord bij ASML. Een presentatie van ASML is voor een congres over big data in de industrie natuurlijk een ‘heilige graal’. Dit vanwege de statuur van ASML in die (hightech) industrie én de impact van zijn geavanceerde lithografiemachines, die almaar krachtigere reken- en geheugenchips produceren, bijvoorbeeld om autonome systemen en kunstmatige intelligentie mogelijk te maken. Met die chips is de stap van big naar bigger data te zetten, zoals Wim Bus, director data products business line DUV, het omschrijft in zijn keynote. Bovendien is ASML zelf ook bezig met big data, onder meer voor het verbeteren van het functioneren van zijn machines. Bus vertelt hoe ASML van data naar waarde komt met hulp van de value tree-analyse. Hij voert daarvoor de case van predictive maintenance op. Dat moet ongeplande stops voorkomen en onderhoud voornamelijk gepland laten gebeuren. Zo stijgt de omzet van de klant, omdat de beschikbaarheid en de benutting van diens machines toenemen. En het verlaagt de kosten, omdat de supply chain voor onderhoud geoptimaliseerd kan worden. Er zijn bijvoorbeeld minder spoedleveringen van onderdelen die vervangen moeten worden en is er ook minder op voorraad nodig. Hetzelfde geldt voor de support: de organisatie van het onderhoud kan met geplande stops eenvoudig worden geoptimaliseerd. Zo zet ASML een boomstructuur op met allemaal takken die de klant waarde opleveren.

‘Dat is wennen voor ASML, gewend als het is aan het klassieke proces van productontwikkeling voor hardware.’

Tot slot gaat Bus in op het productcreatieproces. Voor software- en datagebaseerde diensten verloopt zo’n ontwikkelproces typisch agile, met snelle opeenvolging van concepten en pilots, en continue oplevering. ‘Dat is wennen voor ASML, gewend als het is aan het klassieke proces van productontwikkeling voor hardware.’ Bus benadrukt dat die productontwikkeling voor datadiensten teamwork is. Ontwikkelaars werken samen met datascientists (die verstand hebben van data-analyse en -modellering), data engineers (die zorgen voor ‘schone’ data) en domeinexperts (die weten welke data zinvol zijn). ‘Vooral de noodzaak voor data engineering wordt nogal eens onderschat.’

 

 

STREAMER

‘Big data is complex, dus begin eenvoudig’

 

 

 

Niels Geraerts (Signify): ‘Alles is mogelijk, maar wat levert waarde op? Die analyse moet je eerst maken.’

 

Wim Bus (ASML): ‘De noodzaak voor data engineering wordt nogal eens onderschat.’

 

Share.

Reageer

Deze site gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.

Geverifieerd door ExactMetrics