Analizele de date avansate și computerele inteligente cu costuri reduse oferă companiilor instrumente puternice pentru gestionarea profitabilității de la o oră la alta și chiar în timp real. Multe companii fac tot ce pot pentru a optimiza procesele de producție folosind reguli de bază sau date incomplete, dar la sfârșitul lunii sau perioadei de raportare, aceste companii descoperă adesea diferențe semnificative între profiturile reale și cele așteptate.
Aceste diferențe se datorează faptului că acestea nu dispun în mod obișnuit de măsuri precise pentru a înțelege variațiile mici în timp real ale fluxurilor de proces și ale etapelor de fabricație, care erodează cumulativ randamentele în instalații precum minele, fabricile de oțel sau alte unități de producție. De asemenea, aceste informații sunt rar partajate suficient de repede pentru ca managerii să răspundă în timp util. Studii și analize realizate în cadrul mai multor industrii sugerează că companiile pot elimina aceste variații de scurgere a profitului, accelerând timpul de reacție prin utilizarea unor analize avansate de date, combinate cu cascade ascendente de date pentru a gestiona performanța.
Prin combinarea măsurilor de valoare, cost și volum în timp, profitul pe oră este mai puternic decât măsurătorile utilizate frecvent în multe industrii. Folosind datele capturate de la senzori, împreună cu instrumentele avansate de analiză, companiile pot implementa modele de auto-învățare care să simuleze în mod continuu valoarea așteptată, costul proceselor individuale și chiar fabricile întregi. Din această analiză, apar modele în care costurile, nivelurile de căldură, nivelurile de recuperare și alte variabile se abat de la valorile prezise. Operatorii pot apoi să ajusteze procedurile de proces sau să ajusteze intrările pentru a elimina cât mai mult posibil pierderile în acele perioade din ziua în care profitabilitatea scade sub nivelurile optime. Perspectivele creează o nouă coloană informațională, care leagă performanța în timp real la nivelul de jos cu profitabilitatea companiei și permite managerilor să aibă timp pentru a face compromisurile necesare. Nu demult, companiile nu aveau date utile, senzori avansați și capabilități de procesare pentru a măsura performanța operațiilor cu precizie în timp real. Însă creșterea numărului de senzori cu costuri reduse, conectivitatea wireless, stocarea datelor în cloud și puterea de calcul au modificat ecuația. La acestea se adaugă dezvoltarea unor instrumente inteligente de analiză care analizează fluxurile continue de proces și completează sistemele avansate de control al proceselor, cum ar fi cele găsite în rafinării, industria petrochimică sau etapele majore de producție ale industriei siderurgice.
Un exemplu practic este eficientizarea la nivel de procese într-o uzină chimică. Producătorul a investit anterior în mod substanțial în automatizare și în controlul proceselor avansate pentru a mări cantitatea de producție a unei linii de produse. Managerii știau totuși că vremea exterioară afecta eficiența procesului și performanța instalației, dar problema era că nu știau la ce nivel se întâmplă acest lucru. Astfel, tehnicienii au identificat o listă a condițiilor ambientale și interne care au avut tendința de a varia în timpul verii, cum ar fi direcția vântului, umiditatea relativă și temperatura. Utilizând datele necesare, au construit un model avansat de analiză neurală, care a fost capabil să simuleze profitul pe oră pentru linia în condiții ideale, ajustate sezonier, permițând conducerii să observe tulburările și să ia măsuri de remediere. Modelul a permis în continuare echipei să identifice exact rezultatul pierderilor și efectul de marjă care rezultă din variațiile fiecărui factor, inclusiv și în plus față de parametrii climatici. Echipa a trecut apoi pe primele cinci probleme care ar putea fi controlate prin ajustări de proces sau investiții vizate. În cele din urmă, compania a descoperit că modernizarea unui echipament ar putea aduce o valoare de aproape 500.000 de euro pe an, într-o investiție care a fost achitată în 12 luni. Modelul a indicat, de asemenea, modul în care reacția rapidă la abaterile de funcționare a amplificat profitul pe oră, un mesaj comunicat în sesiuni de instruire suplimentare pentru operatorii din prima linie care au sarcina de a monitoriza tablourile de bord și care reglează procesele în timp real. Parametrii și regulile nou definite au fost apoi incluse în sistemele de control al proceselor, cu scopul de a crește profiturile pe oră cu până la 2%.
Odată cu adoptarea rapidă a senzorilor de proces și cu captarea mai mare a datelor, inteligența artificială (AI) se află cu siguranță în următorul val de tehnologie care aduce profit. Modelele Google Analytics vor “învăța” din variațiile proceselor și vor efectua automat ajustări. Google DeepMind AI face deja acest lucru pentru a reduce energia utilizată pentru răcirea centrelor de date cu până la 40%. Modelele învață din date istorice, cum ar fi temperatura, consumul de energie și funcționarea sistemelor de răcire. Aceștia utilizează aceste informații pentru a înțelege variațiile în condițiile de funcționare a centrului de date și “a judeca” cum să funcționeze cel mai bine sistemele de răcire cu o utilizare minimă a puterii. În sistemele AI viitoare, cum ar fi acestea, profitul pe oră ar putea deveni punctul de referință pentru optimizarea operațiunilor.
