DT elementer2018-07-20T08:18:24+00:00

ELEMENTER I DIGITAL TRANSFORMATION

Digital transformation udspiller sig naturligvist forskelligt fra virksomhed til virksomhed. Men grundprincipperne er de samme.

KONTAKT OS

DIGITAL UDVIKLING

Digitale strukturer udvikler sig på bestemte måder, dvs. de følger udviklingsspor, der er forudsigelige. Derfor består digital transformation i en strategisk anvendelse af principper for digital modning. Den modning har været undervejs i adskillige årtier, men i netop disse år går modningen stærkt, og den bliver mere robust. Her følger en kort oversigt over de væsentligste elementer i den udvikling.

Det er vigtigt at forstå grundprincipperne, fordi de tilsammen danner en ramme, der gør det meget lettere at vurdere værdien i nye produkter og ideer.

TRANSPARENS

Transparens betyder, at data fra forskellige kilder er synlige for hinanden

De fleste virksomheder producerer og håndtere mange typer af data. Eksempler på typiske datastrømme er:

  • Administrative systemer
    • Økomonisystem
    • Lagerstyring
    • Projektplanlægning
    • Tidsregistrering
  • Produktionssystemer
    • Produktionsplanlægning
    • Designsystemer (fx CAD)
    • Farvestyring
  • Produktionsapparat
    • Robotter (skære, bukke, svejse etc)
    • CNC-fræsere
    • Printere
  • Salgsrelaterede systemer
    • Kundedatabase / CRM
    • Marketing

De mange forskellige systemer er typisk kommet til gennem tiden, og er hver for sig eksempler på at man har digitaliseret processer og opgaver. For mange virksomheder er de enkelte systemer kommet til lidt efter lidt, for at løse bestemte udfordringer på smartere måder.

Desværre sker denne tilvækst af systemer ofte uden at skabe en egentlig digital sammenhæng i virksomheden. Når det sker, opstår der ‘data-øer’ – lukkede kredsløb, som enten betyder, at virksomheden ikke kan udnytte de data, de selv skaber; eller at dagligdagen fungerer ved manuelt at flytte data fra et system til et andet.

En gennemgang af processer i virksomheden kan ofte hurtigt afklare, i hvor høj grad relevante data er sammenhængende og transparente.

Når data ikke er transparente, taler vi om ‘digitale skygger’. Der kan sagtens være tilfælde, hvor ikke alle datastrømme med fordel kan udnyttes, og derfor er digitale skygger ikke nødvendigvis noget dårligt.

ANALYTICS

Analytics betyder, at datakilder samles og analyseres – ofte automatisk

Analytics blev for alvor mainstream i internettets barndom. Tilbage i midt-halvfemserne blev det populært at sætte småprogrammer til at tælle, hvor mange gæster en hjemmeside havde fra forskellige lande. Det kan lade sig gøre fordi en hjemmeside kan registere IP-adressen på den computer, som beder om at få tilsendt information til siden fra en browser. Det man udnytter, er altså ikke informationen selv (indhold på websites), men meta-data, som programmer bruger til identificere sig med overfor hinanden. Man opdagede hurtigt, at her var tale om en ny måde at forstå sin målgruppe på: Hvis der er mange besøgende fra et bestemt land, kan man med fordel indrette sin kommunikation til netop den gruppe besøgende.

De principper bruger man stadigt, men i dag er værktøjerne noget mere raffinerede både på hjemmesider og nr det handler om produktionsanlæg. Derfor er analytics af store datamængder i dag drivkraften bag mange kunstigt intelligente løsninger.

I industriel sammenhæng kan analytics handle om flere ting. Her er nogle eksempler.

Sensorer i robotter og andre dele af produktionslinjer opsamler og videresende store mængder af information, som man kan lave analyser på. Der er mange eksempler på, at datadrevne analyser påviser talrige mikro-nedbrud og forsinkelser, som en menneskelig operatør ofte til se gennem fingre med. Med den viden procesoptimering nå nye højder.

SIMULATION

Simulation betyder, at teste forskellige løsningsmuligheder virtuelt

Computere er fantastiske til at lave simulationer. Jo flere (transparente) parametre man kan bygge ind i sine modeller, jo mere nøjagtige simulationer kan man lave. Princippet er det samme: Man bygger en model, som så bliver udsat for forskellige input. Derfor bruges computermodeller til at udføre simulationer af rigtigt mange typer af situationer.

Arkitekter bruger simulationer til at undersøge effekterne af vind og vejr eller folkemængder på deres designs. Økonomer bruger modeller til at undersøge effekter af råvarepriser og forbrugeradfærd. Designere bruger simulationer til at undersøge effekter af nye maskiner og produktionslinjer. osv.

FORUDSIGELSE

Forudsigelser er beslægtet med simulation, men forholder sig som regel kun til eet scenario: Det man reagerer på

Vi er nu nået til anden halvdel af elementerne for digital transformation, og her begynder vi for alvor at se potentiale for forandringer i både forretningsområde og forretningsmodel.

Analyser af datastrømme kan bruges til at monitorere systemer og til at afdække mønstre. På den måde kan man opnå fordele i planlægning og vedligehold, der ellers ville være umulige, ved aktivt at ændre adfærd i brugen af maskinerne. Et par stærke eksempler.

Dynamisk Deployering dækker over det forhold, at aktiv placerer ressourcer (deployerer), præcist hvor de er nødvendige, når de er nødvendige.

Predictive Maintenance – eller forudseende vedligehold – betyder, at man udnytter sensordata i sine produkter til effektiv planlægning af serviceaftaler.

Begge eksempler giver i stor stil anledning til ændrede forretningsmodeller.

DYB INTEGRATION

Dyb integration betyder, at data fra udnyttes i så mange dele af værdikæden som overhovedet muligt

“Investeringer i ny teknologi kan skabe værdi i din virksomhed” er ikke noget vanskeligt argument. Men når det handler om at forstå de reelle konsekvenser af dyb integrering, er sagen en helt anden. Når vi siger, at integrerede digitale løsninger kan skabe værdi, er det nemlig ikke nødvendigvis indlysende, hvor den værdi opstår. I mange tilfælde opstår værdien faktisk helt andre steder end der, hvor man ændrer på maskinparken. Måske er det en særlig egenskab ved digitale strukturer, vi først er ved at opdage nu for alvor.

I gammeldags tænkning plejer man at kunne beregne værdiforøgelse ret enkelt. Hvis du opgraderer denne maskine, stiger din produktionskapacitet og omkostningen til medarbejdere falder. Sådan er det bare ikke længere. I dag er det slet ikke sikkert, at du kan måle effekten af en investering, der hvor du placerer den nye eller opgraderede maskine. Og det giver en udfordring for den klassiske omkostningscentrerede tankegang.

Eksempelvis vil en investering i en integreret og mere fleksibel maskine ikke nødvendigvis øge produktionskapaciteten (throughput), men med proces integration fra integrerede CAD værktøjer og mulighed for kortere omstillingstid bliver gevinsten strategisk og ligger andre steder i form af f.eks. øget dækningsbidrag og konkurrenceevne på mindre ordre-serier samt hurtigere leveringstider.

Det er det, vi mener, når vi taler om digital værdiskabelse på tværsaf hele værdikæder. Nogle gange endda ud over, hvad vi normalt anser for vore egne værdikæder. Den digitale revolution i industrien (og andre steder) betyder nemlig, at rækkevidden af dine beslutninger kan udvides kraftigt. Og i flere og flere tilfælde betyder det, at det nu bliver interessant at tænke over leverandørernes leverandører og kundernes kunder – altså længere både upstream og downstream end vi plejer.

Det er en reel udfordring for mange virksomheder, blandt andet fordi det piller ved virksomhedernes selvforståelse, fx som underleverandører til andre industrier.

AUTONOMI

Autonomi betyder, at data i høj grad udnyttes til at styre mange avancerede processer på en gang

Klassisk automatisering handler om at sætte en maskine til at udføre og gentage en proces. Og det han man gjort i mange år. En effekt af den dybe digitalisering er dog en anden. Nu fokuserer man i stigende omfang på at automatisere styringen af de allerede automatiske processer. Det er altså en slags meta-automatisering, og konsekvensen er, at flere og flere dele af beslutningsprocesserne automatiseres. Det kalder vi for autonomi, og her er spille reglerne nogle helt andre.

Med en analogi kan man sige, at klassisk automatisering svarer til at gå fra manuelt til automatisk gearskifte i en bil. Man har altså automatiseret en specifik proces, og maskinen har nu fået ansvaret for at udføre en bestemt handling når bestemte forhold er opfyldt. Autonomi, derimod, svarer til en førerløs bil. Her styres mange enkelte automatiske processer som en samlet helhed.  

Autonomi betyder altså ikke, at beslutninger lukkes om sig selv og at menneskelig vurdering bliver overflødig. Det betyder, at det vi kalder rutiner, nu og i fremtiden er langt mere omfattende, at maskiner overtager langt mere micro-management, og at systemer i højere grad gearer sig selv til både den aktuelle opgave og til de næste opgaver. Det endelige mål for den udvikling er det, vi kalder for mørke fabrikker. Dvs. fabrikker bygget uden loftslys fordi robotterne ikke behøver det.