Robust data och väl fungerande arbetsprocesser

Jag försöker kontinuerligt förenkla och förklara vad jag tror krävs för att man skall lyckas. Det vi vill lyckas med nu är en snabb och effektiv implementering av Industri 4.0, digitalisering.

Tidsandan är kortsiktig och ytlig. Bli 10 år yngre på 5 minuter om dagen får fler klick än Så bygger man ett välfärdssamhälle. Det är därför viktigt att få till en enkel sammanfattning och en enkel guide som alla kan ta till sig. Problemet är att det inte är enkelt. Så en förenklad guide tenderar att gränsa till osanning och dessutom i viss mån nästan vara vanvördig mot de som faktiskt lyckats, eftersom de utan undantag jobbat hårt och länge.

Utifrån de kontakter jag har i svensk industri, i möten och diskussioner med de tekniker och ingenjörer som varje dag försöker få saker att fungera bättre gör jag ändå ett försök att komma med ett framgångsrecept. Det som krävs är robust data och viljan att jobba förebyggande. Kanske kan det allt rymmas i det enda ordet datadriven!

De som följer mig kanske minns att jag brukar säga att den kortaste versionen av framgångsreceptet är robust data och en förändringsberedd organisation. Men med lite mer vatten under bron så tänker jag att viljan att jobba förebyggande är en mer korrekt beskrivning. Oavsett är det stora ord med mycket innehåll.

Robust data innehåller att man har tillgång till data. Att data har god kvalitet och god noggrannhet. Att den infrastruktur man använder sig av fungerar stabilt och hela tiden och dessutom är flexibel för nya datakällor. Så att man snabbt kan utöka sin databank för ännu bättre beslut.

Att data är rätt annoterad. Dvs man vet vad all data beskriver. Det betyder också att man har rätt algoritmer för rätt set av data och uppgift, och att man har rätt människor som förstår datan och snabbt kan se till att den blir tvättad. Dvs om något fattas eller är fel så kan människorna guida algoritmen så att den snabbt lär sig rätt.

Många vill prata om sensorer och algoritmer. Men min känsla är att de som lyckats lägger mer tid däremellan, hur får man data att gå från sensorerna till algoritmerna.

Det är spännande och coolt att prata om algoritmer, men det krävs mycket jobb att få ordning på data och sedan också se till att man använder resultatet. Arbetsinsatsen är ofta omvänd mot det som får mest fokus

Det kräver samarbete med IT organisationen som oftast äger frågan om infrastruktur, avtal om servrar och molntjänster. Det kräver samarbete med alla som äger sensorer, produktion, underhåll, produktutveckling, försäljning. Efterhand som man lyckas vill man gärna utöka antalet datakällor och då tillkommer ofta data från andra avdelningar och andra system. Fastighetsautomation, arbetsorderprocesser, inköpssystem.

De som lyckas förstår också att det finns många verktyg i en verktygslåda och att rätt verktyg för rätt situation är viktigt. Kanske kan man säga att drömmen om en generell AI via neurala nätverk är drivkraften, men när man jagar den drömmen märker man att man har mycket att tjäna på att till exempel visualisera bättre, att implementera övervakning av larm och trender baserat fysikaliska modeller. Sådana saker som vi egentligen kunnat göra länge men som nu tenderar att bli av eftersom vi inser att det lite enklare verktyget ger oss en tillräcklig förbättringseffekt. Så efterhand som vi jagar målet generell AI kommer vi också att se många enklare projekt som också ger stora resultat. Det är också en kunskap som vi kan få av mer allmän mönsterigenkänning och avvikelsedetektering på systemnivå, var är det mest angeläget att implementera ett nytt verktyg.

Att ha robust data innebär också att ha en organisation som kontinuerligt tolkar data och gör anpassningar av datakällor och system. Om man inte planerar för att jobba aktivt med att tolka och rätta och agera så kommer det inte att bli robust. Det är ingen mirakelmedicin man kan svälja och sedan är man frisk, det är ett förbättrat arbetssätt med nya möjligheter att kontinuerligt bli bättre.

Man är också öppen och nyfiken nog för att inse att man nog inte vet allt. Det finns nog samband som vi inte förstår men som vi kan lära oss om vi tittar på ett annat sätt och med nya verktyg. Kanske kan vi lära oss se långsamma trender som är svåra att se. Kanske är det så att de händelser vi reagerar på sker i de kritiska delarna, men grundorsakerna finns någon annanstans. Då måste man ha med all data för att se de riktiga sambanden.

Viljan att jobba förebyggande är som det låter en mjuk faktor, men den innehåller minst lika mycket. Många upplever också att det inte är tekniken som är det svåra, och robust data är mer av teknik, utan de mjuka faktorerna som gör att det går sakta. Så viljan att jobba förebyggande är lika viktig. Och det börjar just med viljan. Den behövs eftersom man behöver stå ut och vara långsiktig, man behöver vara beredd göra fel och ändra på sig och då är viljan viktig. Och om man jobbar förebyggande så har man många processer som måste fungera. Man måste kunna planera, man måste göra grundorsaksanalyser, man måste ha ett anläggningsregister och ett underhållssystem som är i god ordning. Man måste ha rätt organisation, rätt person på rätt plats med rätt ansvar och resurser. Man måste vara förändringsbenägen och vilja lära nytt.

Att ha ett agilt arbetssätt, eller att jobba med proof of concept, mindre försök innan man rullar ut stort verkar vara viktigt. Dels för att det är nytt och man behöver lära sig, och risken att man gör fel är lite större, därför är det nog smart att inte satsa allt.

Om pilotprojekten löser infrastrukur problemen kan det sedan gå fortare

Det är tydligt att om man inte har de andra arbetsprocesserna i ordning är det ingen ide satsa på digitalisering. Tex en arbetsorderprocess måste finnas så att de signaler man får ur systemet blir arbetsorder som hanteras och kan följas upp. Tex ett uh system är också en förutsättning, anläggningsregister. Alla som pratar digitalisering har inte alla dessa saker. Kan man inte köra bil är det ingen ide att skaffa en snabb bil. Jobbar man ”bara” avhjälpande måste man ta sig mot förebyggande innan man kan jobba prediktivt och preskriptivt.

Här finns heller ingen mirakelmedicin, utan det är också ett ständigt pågående arbete att se till att man jobbar mot ett mer förebyggande och planerat arbetssätt.

Så att vara datadriven innebär minst att man har robust data och viljan att jobba förebyggande – sedan börjar det hårda jobbet.