Прагматическая цифровая трансформация

Перевод статьи "Pragmatic Digital Transformation".

Авторы: Майкл Кароне, Пол Пилотт, Джим Тунг, MathWorks.

Дверной звонок появился как простое механическое устройство. У него была одна кнопка с единственной функцией: звонить в звонок.

Сегодняшняя версия, как правило, имеет камеру, датчик движения, видео и интерфейс смартфона, который может получать доступ к данным, отправляемым с дверного звонка в облако. Теперь это не просто дверной звонок; это полная система безопасности.

Эволюция дверного звонка - лишь один пример цифровой трансформации - использования таких технологий, как аналитика данных, возможность подключения, облачные вычисления, искусственный интеллект для преобразования продуктов, процессов и целых систем.

Похоже, почти каждая организация включает цифровую трансформацию в свое видение и стратегию, но большинство из них испытывают трудности с реализацией инициатив цифровой трансформации. На то есть множество причин: проблемы внедрения новых технологий и овладения сотрудниками соответствующими навыками, обеспечение того, чтобы культура и организационные структуры компании способствовали изменениям, и правильное прогнозирование того, какие процессы необходимо изменить и как, и это лишь некоторые из них.

Чтобы добиться изменений, некоторые организации начинают с демонстраций и экспериментальных проектов. Вскоре они завязают в «экспериментальном чистилище», не будучи способными к расширению за счет формализации пилотных подходов и включения их в стандартные рабочие процессы и практики компании. Другие организации начинают с больших усилий по развитию инфраструктуры, которые сложно выполнить и которые не соответствуют требованиям реальных проектов, рабочих процессов или продуктов, возникающих в результате стратегий трансформации.

Мы заметили, что организации часто наиболее успешны в цифровой трансформации, когда применяют прагматический подход.
 
Что такое прагматическая цифровая трансформация?
 
Прагматическая цифровая трансформация не требует начинать с нуля или полностью менять существующие процессы и активы. Как раз наоборот; ее фундаментальный принцип - повторное использование: при прагматической цифровой трансформации данные и модели - а также связанные с ними навыки инженерных групп в проведении аналитики, разработке моделей и симуляций – систематически применяются к рабочим процессам на протяжении всего жизненного цикла продукта или услуги.

Систематическое использование данных может начинаться с аналитики, разработанной специально для получения информации из экспериментальных и исследовательских данных. Но это также означает масштабирование и расширение этой аналитики до огромных, разнородных наборов оперативных и архивных данных, полученных из производственной документации, записей технического обслуживания и других бизнес-процессов, чтобы принимать решения на основе данных не только во время исследований и проектирования, но и в производстве, эксплуатации, и техническом обслуживании.

При прагматической цифровой трансформации цифровой поток пронизывает вашу систему начиная от требований к архитектуре, заканчивая тестированием и эксплуатацией системы, открывая возможности для улучшения моделей, процессов и конечных продуктов.

Систематическое использование данных: от разрозненных хранилищ данных до аналитики данных

Сегодня организации признают, что проблема заключается не в отсутствии данных, а в огромных объемах и разнообразии данных - не только инженерных, научных и эксплуатационных данных, но также коммерческих и транзакционных данных. Разнообразие подходов к управлению данными увеличивает сложность: данные могут храниться локально или в облаке, в озерах консолидированных данных или отдельных базах данных, в реляционных базах данных или электронных таблицах. И у каждого хранилища данных может быть своя политика управления и права доступа.

Цифровая трансформация начинается, когда накопленные знания и преобразующий потенциал этих данных могут быть раскрыты и систематически применены на протяжении всего жизненного цикла продукта. Основные задачи: во-первых, интегрировать данные из нескольких репозиториев; во-вторых, разработать простую в использовании и доступную аналитику; и, в-третьих, интегрировать эту аналитику в рабочий процесс в нужное время, чтобы позволить всем группам организации (инжиниринг, управление бизнес-подразделениями, аналитики, сервисные группы и т. д.) применять выводы из данных для улучшения процессов или проектов.

Использование аналитики больших данных для оптимизации производственных процессов в GSK Consumer Healthcare

Группа исследователей и разработчиков GSK Consumer Healthcare хотела улучшить производственные процессы и увеличить мощность заводов компании по производству зубных паст. Они знали, что наиболее экономически эффективным подходом будет систематическое использование данных, которые они накопили за предыдущие годы. Они решили посмотреть, могут ли они извлечь уроки из этих данных, чтобы создавать лучшие продукты.

«Имеется множество неиспользованных знаний, скрытых в серверах и ноутбуках производственных сообществ. Давно пора перестать игнорировать эти старательно собранные данные о процессе и начать изучать секреты, которые они скрывают». Боб Сочон, GlaxoSmithKline Consumer Healthcare.

Они начали с того, что сосредоточились на данных процесса. Накопленные по всем их фабрикам, составам и партиям данные, объем которых составил терабайты, были размещены в отдельных хранилищах, отдельных системах и разных форматах.

Чтобы получить представление о своих данных процесса, GSK сначала необходимо было очистить их, отфильтровав шум, заполнив недостающие данные и удалив выбросы. Затем они могли использовать их для сравнения фаз от партии к партии.

Команда R&D построила алгоритм в MATLAB® для сортировки и маркировки данных по этапам разработки (запуск, добавление диоксида кремния или завершение) и запускала этот алгоритм для всех данных процесса. Они создали интерфейс в MATLAB, который позволяет их инженерам-технологам выбирать и наблюдать данные по комбинации рецептуры, партии и оператора.

Связав этапы производства с аналитическими данными, GSK добилась значительных улучшений как в процессах, так и в производительности - например, время нагрева емкости, которое раньше занимало 30 минут, теперь занимает всего две минуты. Эти улучшения приводят к значительным преимуществам для бизнеса: сокращению времени вывода на рынок новых формул и увеличению производства на предприятиях, которые ранее считались почти полностью загруженными.
 
Расширение использования моделей: от разработки к системе в действии

Систематическое повторное использование моделей является основным принципом модельно-ориентированного проектирования, в котором модели образуют цифровой поток, соединяющий разработку, оптимизацию проектирования, генерацию кода, а также верификацию и валидацию. Этот цифровой поток не нужно ограничивать процессом разработки; его можно распространить на развернутые в эксплуатации системы, когда проектные модели повторно используются в качестве цифровых двойников. Цифровой двойник - актуальное представление системы или подсистемы в том виде, в котором она работает, - может использоваться для оценки текущего состояния актива и, что более важно, оптимизации производительности актива или выполнения профилактического обслуживания.

Минимизация стоимости владения с помощью моделирования и цифровых двойников в Atlas Copco

Производитель воздушных компрессоров Atlas Copco превратил систематическое использование моделей и данных в платформу для совместной работы, которая упрощает обмен данными между техническими организациями и в рамках глобальной торговой организации.

При разработке новой линейки продуктов ZR 160 VSD + инженеры Atlas Copco определили два приоритета: надежность (в случае выхода из строя одного компрессора выйдет из строя вся производственная установка) и энергоэффективность: на электричество приходится 75% общей стоимости жизненного цикла компрессора, это значительная сумма, при условии, что средний компрессор работает круглые сутки в течение 10 лет.

Команда хотела не только разработать эффективный продукт, но и разработать продукт эффективно.

Они реализовали платформу для управления моделями, данными и вариантами на основе цифрового двойника. Те же модели управляют приложениями конфигурации, которые используются отделами продаж и разработки приложений для настройки и расчета стоимости систем для конкретных клиентов.

С помощью этой платформы они могут в течение короткого промежутка времени внедрить и развернуть обновления на 120 000 машинах, работающих по всему миру. Каждая машина имеет до 50 датчиков, которые непрерывно передают данные обратно в хранилище данных Atlas Copco, что позволяет сервисному отделу настраивать индивидуальные стратегии профилактического обслуживания на основе информации о состоянии машины в реальном времени.

«Мы используем цифрового двойника в качестве единого источника истины, а затем создаем приложения поверх него, чтобы у всех был доступ к одним и тем же данным и информации». Карл Воутерс, Atlas Copco

Улучшенные процессы, более глубокое понимание
 
При прагматической цифровой трансформации ранее разрозненные данные объединяются и применяются в процессе разработки и развертывания для улучшения процессов и получения представления о производительности системы. Системная модель фиксирует высокоуровневое поведение системы, а также детализированные подсистемы. Эти модели связаны с системными требованиями для отслеживания и ранней проверки. Модели подсистем можно повторно использовать для создания реализации в виде программного обеспечения или ПЛИС. Модели также повторно используются для интеграции, проверки и верификации либо на уровне модели, либо на фактическом коде.

Применяя прагматический подход, организации могут воспользоваться преимуществами цифровой трансформации для бизнеса - улучшенным качеством, более высокой производительностью, снижением затрат - при этом избегая трудностей и ловушек, которые удерживают некоторых от реализации или даже рассмотрения инициативы по цифровой трансформации.

Статья опубликована в 2020 году.