Innovatie & Strategie

Dit is een bijdrage van Itility
Datamanagement
Business value uit data use cases

Business value uit data use cases: een drie-staps aanpak

Data omzetten in waarde is geen eenmalige actie, maar een reis.

26 januari 2021
Door: Itility, partner

Data omzetten in waarde is geen eenmalige actie, maar een reis.

Data omzetten in waarde is geen eenmalige actie, maar een reis waarvoor hard werken, doorzettingsvermogen en een datafabriek nodig zijn. Slim gebruik van data biedt tal van kansen, zoals het voorspellen van onderhoud, het verhogen van machine-efficiëntie of het verbeteren van productiekwaliteit. Om deze kansen volledig te benutten, heb je een stapsgewijze aanpak nodig, waarbij alle mogelijkheden van data worden onderverdeeld in kleine deelprojecten: data use cases.

Om zo’n data use case succesvol op te nemen in de dagelijkse bedrijfsvoering, zijn er drie voorwaarden waaraan voldaan moet worden: de use case moet in een korte periode uitvoerbaar zijn, ondersteuning op C-level hebben en direct waarde toevoegen aan het bedrijf. De beste manier om dat voor elkaar te krijgen is een drie-staps aanpak: de businesscase begrijpen en inperken, het systeem ontwikkelen en tot slot het resultaat in productie operationaliseren.

1. De use case inperken

Bij veel bedrijven worden enorme hoeveelheden gegevens gegenereerd, die de input vormen om bedrijfsprocessen te automatiseren, te voorspellen of te optimaliseren. Met zo’n grote verzameling data en mogelijkheden om uit te kiezen, is het de kunst om het project zo klein mogelijk te maken en om de meest levensvatbare use case te selecteren; een die direct waarde toevoegt aan het bedrijf én in een korte periode (4-8 weken) kan worden geïmplementeerd. Richt je niet op verreikende doelen (‘wereldhonger oplossen’), maar beperk je tot een klein, expliciet en concreet doel. Hieronder een voorbeeld van hoe we een breed data-initiatief hebben teruggebracht tot een use case.

Pizza case

  • Data-initiatief op het hoogste niveau:
    Verlaag de kosten in het productieproces
  • Inzoomen:
    Voorkom verspilling door te veel beleg op pizza’s
  • Verfijnen:
    Kaas is het duurste ingrediënt, dus laten we daarmee beginnen. Het wordt aangebracht door middel van een kaaswaterval. De pizza’s liggen op een band die onder deze waterval doorgaat. Loopt de band sneller, dan neemt hoeveelheid kaas af. Als de band langzamer loopt, neemt de hoeveelheid kaas toe
  • Use case:
    Optimaliseer de snelheid van de lopende band om de perfecte hoeveelheid kaas op een pizza te krijgen

Maar waar moet je beginnen, met tal van mogelijke use cases tot je beschikking? De vraag op welke manier je prioriteert, is vaak moeilijk. Een manier om het te doen is door gewoon te beginnen en te kijken waar je eindigt. Maar onze voorkeur gaat uit naar een meer gestructureerde aanpak: maak een backlog met ingeperkte use cases, beoordeel ze op een aantal features en selecteer de use case met de hoogste score. Benieuwd naar deze aanpak? Bekijk ons eerdere artikel over het selecteren van use cases.

De stappen hierboven werken echter niet zonder aanjager; een toegewijde C-level sponsor die gelooft in de waarde en die het project aanjaagt. Deze sponsor moet breder denken dan een eenmalig project, ofwel de visie hebben om het bedrijf te veranderen en werkwijzen te transformeren door slim gebruik te maken van data en systemen.

2. Het systeem en de data ontwikkelen

Door de keuze van de use case, heb je een einddoel vastgesteld. In het bovenstaande voorbeeld is dit einddoel het instellen van de optimale bandsnelheid voor het aanbrengen van kaas. De volgende stap is om een overzicht te maken van wat er bij komt kijken om dat einddoel te bereiken. Systems engineering helpt ons om inzicht te geven in welke data en systeemcomponenten er nodig zijn, lees: welke systemen en technieken er gebruikt moeten worden voor elke stap in het proces. Zo krijg je een end-to-end overzicht van alles wat nodig is voor de use case, en ben je in staat een gedetailleerde planning te maken.

Daarna is het een kwestie van alle data verkrijgen en beschikbaar maken. Sommige gegevens zullen al netjes gedigitaliseerd en voorbewerkt worden, andere zijn alleen offline beschikbaar, en andere bestaan misschien nog niet eens. In het geval van de use case over het aanbrengen van kaas was de machinedata al beschikbaar, maar moest er nog een camera-opstelling worden gebouwd om de kaasdichtheid nauwkeurig te bepalen. Stap voor stap hebben we deze opstelling gebouwd en iteratief verbeterd om de nauwkeurigheid te bereiken die we wilden.

Subsystemen van use cases kunnen worden getest met kleine ontwerp-experimenten. Het is bijna onmogelijk om systems engineering in één keer goed te doen; testen en valideren toont aan dat zaken in de praktijk meestal niet gaan zoals verwacht. In ons voorbeeld ontdekten we dat op een van de lijnen basilicumblaadjes aan de pizza werden toegevoegd, waardoor een fout werd veroorzaakt in het kaasdetectie-algoritme – dat alleen focuste op gele pixels in afbeeldingen. Onze oplossing: agile te werk gaan, snel reageren en opnieuw testen.

3. Operationaliseren in productie

De laatste stap in het oplossen van de use case, is het dagelijks gebruik ervan. Als alle systeemcomponenten zijn geïnstalleerd, je data automatisch en voortdurend wordt ingelezen, een data science model hebt dat data omzet in inzicht, welke is ingebed in een app: dan moet het resultaat ook daadwerkelijk in de praktijk worden gebruikt. Kijkend naar de pizza case, moest de uiteindelijke setup (camera, cloud, dashboard, PLC-afstelling) worden geïmplementeerd bij de pizzaband om daarna de operators te trainen in een andere, minder handmatige manier van werken.

Het verankeren van de oplossing in dagelijkse processen betekent dat alle onderdelen aan elkaar geknoopt moeten worden, zodat de oplossing onderdeel wordt van de fabriek zelf, in plaats van een tool die erbovenop ligt. Deze stap is cruciaal voor het succes van de use case. Een oplossing moet tenslotte worden gebruikt om nuttig te zijn!

“Je oplossing onderdeel maken van de fabriek zelf, in plaats van een tool die erbovenop ligt, dat is het doel. Een oplossing moet immers worden gebruikt om nuttig te zijn.”

Datagedreven worden is, zoals gezegd, geen stap die je van de ene dag op de andere zet. Het vereist verandermanagement om een omslag in cultuur en manier van werken te bereiken; een proces dat tijd kost. Er zijn veel use cases om uit te voeren, waarvoor een veelheid aan competenties vereist is. Het is een langetermijninvestering die alleen kan worden terugverdiend wanneer het multidisciplinaire team goed samenwerkt en de evenwichtige focus van business, engineering en operationalisering vasthoudt.

Lees meer van onze blogs over data, data-transformatie en de data factory.

Reactie toevoegen