Los paneles de BI integran datos de fábricas inteligentes para obtener análisis significativos

La llegada del IoT industrial y las fábricas inteligentes ha creado nuevos requisitos en sistemas analíticos de próxima generación para desbloquear datos de operaciones de formas novedosas. Si bien la analítica industrial inteligente es un caso de uso relativamente reciente, la actividad está comenzando a aumentar. El desafío será encontrar tendencias significativas a partir de los datos extraídos de múltiples puntos de contacto industriales de IoT, más allá de simplemente almacenar el contenido en registros operativos.

La fábrica inteligente generada por los sensores de Internet de las cosas (IoT) debe correlacionarse con otros puntos de datos corporativos, y la búsqueda de significado debe convertirse en una parte regular de los flujos de trabajo diarios, no en un momento fugaz.

La integración de datos de IoT en procesos regulares implica un software de análisis. Este software está impulsado por inteligencia artificial, IA y tecnologías de aprendizaje automático. Otra parte de la ecuación son los conectores de IoT que vinculan los paneles de inteligencia empresarial de TI con los datos de operaciones de la fábrica.

Si bien los paneles de BI han sido durante mucho tiempo parte del análisis de trastienda, la mayoría no ha podido procesar adecuadamente las entradas de datos de IoT industrial hasta hace poco. Para que las fábricas inteligentes eviten los datos en silos, es fundamental seleccionar paneles de BI equipados con análisis capaces. Hoy en día, muchos paneles combinan IoT industrial con acceso a lagos de datos (grandes grupos de almacenamiento destinados a agregar grandes cantidades de información no estructurada) o bases de datos en la nube.

“Los datos de fábricas inteligentes tienen mucho en común con los datos que provienen de otras funciones en una empresa”, dijo Enno de Boer, socio de McKinsey. "Para que sea de valor, debe usarse para informar la toma de decisiones". De lo contrario, no tiene mucho sentido recolectar y agregar grandes cantidades de datos.

En toda la cadena de valor

Para ser realmente valiosos, los datos de la planta de producción deben integrarse en toda la cadena de valor, dijo de Boer, quien dirige el trabajo de McKinsey en fabricación digital y su colaboración con el Foro Económico Mundial como parte de la red Global Light House.

Con un mejor uso de la analítica, de Boer ve una producción a medida que influye en todo "desde el abastecimiento de componentes hasta la entrega de última milla".

Hoy en día, el análisis de inteligencia empresarial es una característica común de los productos de TI empresariales. Pero aplicar la tecnología para las operaciones ha resultado más difícil. A pesar de los bloqueadores en la implementación, se espera que el global alcance los $ 16 mil millones para 2026, según ResearchAndMarkets.com.

Cuadro de mando de Smart Factory Analytics

Varios proveedores ahora se esfuerzan por ofrecer análisis industriales mejorados y paneles de BI. Entre los actores a la vanguardia del mercado de las fábricas inteligentes se incluyen ABB, Honeywell International, Robert Bosch, Siemens y otros.

Cuando se trata de capturar, procesar, almacenar y analizar datos de fábricas inteligentes, los gigantes de TI con presencia notable en la fabricación son parte de la mezcla. Entre ellos, los principales son IBM, Hewlett Packard Enterprise y SAP. Las nuevas empresas de datos innovadoras también se han centrado en los requisitos especializados de análisis de fábricas inteligentes, como Cloudera y DataStax.

A medida que la nube se convierte en el punto central de los análisis de fábrica, los líderes de la nube, Amazon Web Services, Google y Microsoft, están construyendo canales de flujo de trabajo de datos especializados. Los jugadores, a su vez, admiten los paneles de inteligencia empresarial del usuario final, como los de Looker, Microsoft, Tableau y otros.

Construcción de fábrica inteligente

Desarrollar análisis de fábrica inteligentes es una tarea formidable. Un sitio de fabricación típico puede crear más de 2200 de datos en un solo mes, y la mayoría de esos datos no se analizan, según un informe de IBM sobre transformación digital. La afluencia de datos que permanecen sin analizar contribuye al problema de los proyectos industriales de prueba de concepto (POC) de IoT que se prolongan.

La mayoría de los datos industriales se generan fuera de TI, enfatiza Manish Chawla, gerente general de industrias, energía, recursos y manufactura en IBM. Indicó que los esfuerzos recientes de la industria se centran en mejorar las bases de los proyectos; una planificación deficiente puede prolongar el tiempo de entrega de los POC.

"La gente intentó construir un ático sin tener cimientos", dijo.

Chawla también dijo que IBM había trabajado recientemente junto con Siemens y Red Hat en un enfoque multiplataforma para ejecutar análisis desde la plataforma Industrial IoT de Siemens, MindSphere, más cerca del borde de la fábrica.

SAP está trabajando para permitir a los clientes analizar una combinación de datos históricos orientados a series de tiempo junto con IoT y datos comerciales, dijo Dominik Metzger, vicepresidente y jefe de gestión de productos, fabricación e IoT industrial de SAP. Un historiador de datos es una función de software que registra el resultado de los procesos de TI de fabricación con fines de gobernanza.

Para Metzger, uno de los cambios clave en los últimos años es el grado de estandarización en el manejo de datos. "Se ha vuelto más económico y escalable", dijo Metzger, citando los lagos de datos como un habilitador de análisis para fábricas inteligentes.

SAP considera que la integración del análisis de datos de IoT en los procesos comerciales es un paso clave en su estrategia de Industria 4.0, que ha denominado Industria 4. La Industria 4 es una arquitectura de referencia que abarca flujos de trabajo de fuentes como historiadores de datos, servicios de borde y nube o ERP. sistemas con capacidades de inteligencia empresarial.

Analytics requiere volumen de datos

La evolución de la analítica de fábrica inteligente se complica por las fuerzas que afectan la analítica en general. Por ejemplo, el auge de la analítica predictiva y prescriptiva basada en la inteligencia artificial y el aprendizaje automático presenta varios desafíos de implementación. En este caso, los usuarios deben proceder con cuidado al utilizar la analítica para profundizar en las operaciones, según Ed Cuoco, vicepresidente de inteligencia artificial y analítica de PTC.

Cuando se implementan análisis para el diagnóstico, por ejemplo, hay ocasiones en las que se puede preferir el control de procesos estadísticos simples sobre el aprendizaje automático o las soluciones de tipo IA, dijo Cuoco.

"Sin datos históricos de buena calidad en volumen, es posible que no pueda obtener la información que desea", agregó.

El proveedor de la plataforma de IoT, PTC, trabaja en estrecha colaboración con los usuarios finales y otros fabricantes de software para ofrecer análisis desde la primera línea de la fábrica hasta el usuario final de la empresa y, en ocasiones, viceversa. Ese es el caso de un acuerdo reciente en el que el marco de Fujitsu Smart Factory utiliza la realidad aumentada Vuforia de PTC y las plataformas ThingWorx para transmitir información analítica a los trabajadores de operaciones.

Gráficos novedosos para análisis

La tecnología de datos gráficos, que se encuentra en la periferia de la escena del análisis de datos avanzados, ha ganado aceptación en las fábricas y otros entornos. Las bases de datos gráficas como Aura Enterprise de Neo4j han demostrado ser útiles y han puesto en contexto los análisis de fábrica inteligentes de los usuarios y han permitido proyectos colaborativos que identifican nuevas eficiencias operativas.

A diferencia de las bases de datos relacionales que sustentan la mayor parte del análisis de datos y almacenan datos en filas y columnas, los formatos de datos de gráficos usan mapeos de datos para administrar conexiones complicadas entre elementos de datos. Los sectores objetivo de Neo4j incluyen automoción, garantía, análisis, gestión de la cadena de suministro e instrumentos médicos. El sector médico en particular había demostrado la capacidad de las bases de datos de gráficos para fomentar la colaboración entre equipos, según Amy Hodler, directora de análisis de gráficos y programas de inteligencia artificial, Neo4j.

Una empresa de instrumentos médicos que busca rastrear fallas antes del envío del producto encontró útiles los métodos de gráficos de Neo4j, señaló Hodler. La identificación de tales fallas generalmente implica un trabajo de detective porque todos los subcomponentes de un instrumento defectuoso deben rastrearse para determinar si son responsables de la falla.

Para poner el análisis en manos de más usuarios, Neo4j ofrece conectores que vinculan sus modelos de datos gráficos con paneles de visualización y descubrimiento de datos como Tableau, Tibco Spotfire y otros. La empresa también ofrece sus propias herramientas de visualización de Bloom.

También se conectan a una gran cantidad de paneles visuales las herramientas de administración de software de DataStax, una empresa que condujo en gran medida a la comercialización de la base de datos NoSQL de código abierto. La edición empresarial del producto DataStax admite el manejo de datos gráficos. Entre los creadores de aplicaciones de IoT que utilizan su software se encuentra Locstat, con sede en Sudáfrica, que implementó el producto para analizar datos de sensores y análisis de transmisión en tiempo real.

"La visualización se está convirtiendo en un elemento cada vez más importante para tratar de comprender lo que está sucediendo en el panorama de IoT, en particular cuando se trata de una configuración bastante compleja", dijo Matthias Broecheler, tecnólogo jefe de DataStax.

Las herramientas de análisis visual ayudan al personal de operaciones, a los desarrolladores y a otros, agregó. Al mismo tiempo, Broecheler señaló que algunas decisiones en fábricas inteligentes requieren una respuesta inmediata. Esa fuerza impulsora está detrás de las nuevas formas de procesamiento analítico que, sin transformación humana, detectan y responden de forma autónoma a las anomalías de la fábrica.

Adiós, silos de datos

En las fábricas inteligentes, los gerentes, las operaciones de campo y los equipos de desarrollo de TI deben trabajar juntos como en cualquier otro tipo de transformación comercial, dijo de Boer de McKinsey.

"Las transformaciones fallan cuando los equipos operan en silos, y solo una función impulsa los intentos de iniciar cambios", dijo en una entrevista por correo electrónico. El impulso para democratizar los datos requiere que las personas de toda la organización comprendan el poder de las nuevas tecnologías y cómo usarlas, dijo De Boer.

Para el sector manufacturero, el papel del personal de operaciones en la determinación de la democratización de los datos será revelador.

"Con las herramientas de análisis en manos del personal de operaciones, las empresas podrán desarrollar más fácilmente soluciones que respondan a los desafíos comerciales", dijo de Boer.

De Boer de McKinsey señaló los programas de la academia de análisis establecidos por miembros de Global Lighthouse Network y argumentó que todas las partes interesadas podrían beneficiarse de la participación, incluidos todos, desde la sala de juntas hasta las líneas de producción.