”Dataanalys är ett kontrollerat sätt att driva utveckling”

2020-05-08 11:26  

AUTOMATIONSNÄSTET. Vad är det vi gör när vi använder dataanalys, och vad är poängen med det? Automationsexperter svarar på frågor om dataanalys.

Denna gång deltar: Fredrik Jakobsson, head of AR & 3D på Softgear, Kristian Sandström, senior forskare på Rise och Micael Baudin, specialist, materials technology digitalization på Seco Tools.

1. Vad betyder dataanalys för din verksamhet?

Fredrik Jakobsson: I grund och botten handlar dataanalys om att sammanställa relevant data, datapreparering och säkerställa datakvalitet, validering. Dataanalys är ett viktigt verktyg för att skapa förutsättningar att arbeta mer datadrivet. Det vill säga att vi behöver göra informationen mer tillgänglig och visuell för att underlätta faktabaserade beslut i en verksamhet. I slutändan är det ett kontrollerat sätt att driva utveckling.

Kristian Sandström: På Rise i Västerås driver vi många tillämpade industriella forskningsprojekt som har dataanalys som en viktig komponent. Dock så är projektmålen ofta formulerade utifrån det som är värdeskapande för verksamheten, och dataanalys är ett av verktygen. I många av våra projekt används dataanalys med syfte att utveckla lösningar med ai, eller maskininlärning, men redan på vägen dit brukar grundläggande bearbetning, analys och visualisering av data generera insikter, nya frågor, och ibland oväntade svar.

Micael Baudin: Det betyder att vi behöver göra grovjobbet att koppla upp en mycket varierad maskinpark, med allt vad det innebär. Men också att vi behöver ha mjukvara för att samla denna data centralt på ett effektivt sätt och göra den tillgänglig för relevant personal. Vilket i praktiken borde vara all personal. Dessutom behöver ett subset av denna data vara tillgänglig för våra kunder, vilket skapar ytterliga komplexitet.

2. Hur kan dataanalys bidra till att skapa värde för företag?

Fredrik Jakobsson: Om fler människor kan tillgodogöra sig informationen har vi större möjlighet att analysera och fatta beslut som är värdeskapande. Dataanalys behöver dock kompletteras med dataförståelse för att vi ska kunna nyttja informationen på bästa sätt. Vi utforskar möjligheterna med maskininlärning för att få bättre stöd att fatta beslut. Vi tror att genom att tillgängliggöra data och visualisera den kan vi själva se mönster och dra slutsatser, något svensk industri har stor potential att dra nytta av.

Kristian Sandström: Dataanalys skapar värde på olika sätt; som att beskriva nuläge, att optimera verksamheter och processer, och för att skapa innovation. Det kan skapa en gemensam och objektiv bild av verksamheten att samlas vid. Att bekräfta om man gör rätt eller fel, vad som bidrar till det, och därmed hur man ska fortsätta eller hur man ska prioritera utifrån fakta för att förbättra. Ibland kan detta manifesteras genom digitala beslutsstöd för planering och drift med eller utan ai.

Micael Baudin: Vi behöver gå ifrån reaktiv processkontroll mot prediktiv processkontroll med det långsiktiga målet att få en preskriptiv processkontroll, med ett mind-set att göra detta genom produktens hela livscykel. Detta kommer att kunna leda till mer precisa toleranser, minskade ledtider, högre maskinutnyttjande, lägre energiförbrukning och lägre underhållskostnader. Vilket i sin tur ger våra kunder mervärde i flera plan.

3. Vad är viktigt att tänka på när man arbetar med dataanalys?

Fredrik Jakobsson: Att den information vi sammanställer och analyserar innehåller rätt data. Viktigt att vi vet källan och på vilket sätt vi säkerställer att informationen är riktig. Vilka i er organisation kan ta till sig av den information som genereras? Hur ska ni agera och vilka slutsatser kan dras av resultatet? Tänk på att tillgängliggöra resultatet på ett jämställt och demokratiskt sätt genom pedagogiska och väl genomtänkte visualiseringar eller gränssnitt som ger ökad nytta av analyserna.

Kristian Sandström: Domänkunskap och dataanalys i samklang är nödvändigt för effektivitet och goda resultat. Data som håller låg kvalitet ger sällan stora insikter med små insatser – använd processer och metodik för ändamålet. Vad är målsättningen, vilket case ska adresseras med dataanalys, hur mäter man framgång? Vilka är användarna och hur ska de ta till sig resultaten? För processoptimering ger historisk data inte alltid enkla svar på hur man kan förändra processen. Här krävs viss försiktighet.

Micael Baudin: Det finns flera viktiga aspekter att tänka på. Men två av de viktigaste är att säkerställa ett konstant dataflöde i flera steg av buffring, samt att säkerställa tidssynkronisering för alla dataströmmar. Speciellt när kraven på datasamplingsfrekvensen ökar och med tanke på att många iiot-enheter inte har något tidskoncept. En dataanalys blir aldrig bättre än den data man bygger analysen på. Man kan dock göra den betydligt mer lättillgänglig och överskådlig, så att man kan ta välgrundade beslut.

 

Automationsnästet är ett samarbete mellan Ny Teknik och Automation Region, en organisation som knyter samman företag, myndigheter, forskning och utbildning i ett branschoberoende kluster med fokus på automation.

Kommentarer

Välkommen att säga din mening på Ny Teknik.

Principen för våra regler är enkel: visa respekt för de personer vi skriver om och andra läsare som kommenterar artiklarna. Alla kommentarer modereras efter publiceringen av Ny Teknik eller av oss anlitad personal.

  Kommentarer

Debatt

Läs mer