บทบาทของ Data Analytics สำหรับภาคอุตสาหกรรมในยุค Industry 3.0 และ 4.0
ในโอกาสที่ประเทศไทยจะก้าวไปสู่ Thailand 4.0 นั้น ขณะเดียวกันในภาคอุตสาหกรรมการผลิต (Industry) ก็มีการกล่าวถึงคำว่า “Industry 4.0” เช่นเดียวกัน คำว่า Industry 4.0 นี้เป็นคำเรียกจากประเทศเยอรมนีที่กล่าวถึงแนวทางของอุตสาหกรรมในอนาคต[1] ซึ่งสามารถแบ่งออกเป็นหลายยุค ตามรูปด้านล่าง
ยุคที่ 2: ยุคที่เริ่มมีสายการผลิต มีโรงงาน มีการผลิตแบบ Mass production ที่สามารถผลิตสินค้าที่เหมือนกันได้ปริมาณมากเพื่อต้นทุนที่ประหยัด เริ่มในช่วงต้นของศตวรรษที่ 20
ยุคที่ 3: ยุคที่คอมพิวเตอร์ และระบบการควบคุมแบบอัตโนมัติ (Automation) เข้ามามีบทบาท เป็นยุคที่ใช้การควบคุมแบบอัตโนมัติ จำพวก Programmable Logic Control, PLC. เริ่มในช่วงปี 1950 เป็นต้นมา
ยุคที่ 4: ยุคของการผลิตที่นำเครือข่ายอินเตอร์เน็ตเข้ามาเชื่อมโยงข้อมูลการผลิตระหว่างเครื่องจักร เป็นยุคใหม่ของการรวมพลังระหว่างเทคโนโลยีดิจิทัลควบคุมเครื่องจักรให้เครื่องจักรสื่อสารข้อมูลกันเอง ซึ่งตัวที่ผลักดันได้ชัดเจนที่สุดให้เกิด 4.0 ขึ้นมาคือ อินเทอร์เน็ต/ไซเบอร์
เทคโนโลยีที่เป็นกุญแจสำคัญใน Industry 4.0
- Big Data คือการเก็บข้อมูลจากแหล่งข้อมูลทั้งหมดทั้งภายในและภายนอก เพื่อนำมาวิเคราะห์เพื่อค้นพบสิ่งต่าง ๆ ด้วยการทำ Analytics จะทำให้เราสามารถตัดสินใจได้ดีขึ้น (Smarter Decisions)
- Smart Factory คือแนวคิดที่จะเชื่อมโยงส่วนต่าง ๆ ในการผลิต ตั้งแต่การวางแผนจนถึงการผลิตจริงเข้าด้วยกัน เพื่อที่จะได้ตัดสินใจปรับเปลี่ยนการผลิตให้เข้ากับการเปลี่ยนแปลงที่เกิดขึ้นได้อย่างชาญฉลาด
- Cyber-physical System (CPS) คือการบูรณาการ คอมพิวเตอร์ ระบบเครือข่าย และกระบวนการผลิตเข้าด้วยกัน ระบบคอมพิวเตอร์และระบบเครือข่ายจะคอยควบคุมและมอนิเตอร์กระบวนการผลิตและทำการส่งข้อมูลย้อนกลับ (feedback loops)
- Internet of Thing (IoT) คือการเชื่อมโยงอุปกรณ์ เช่น เซ็นเซอร์ หรือเครื่องจักร กับอินเตอร์เน็ต
- Interoperability คือการนำส่วนประกอบที่กล่าวมาทั้ง 4 ส่วนข้างต้นให้ทำงานประสานกัน เป็นการเชื่อมโยง Cyber Physical System, คน และ Smart Factory ผ่านการสื่อสารด้วย IoT
จำเป็นต้องเป็น Industry 4.0 ก่อนจึงค่อยทำ Analytics หรือไม่?
!! ไม่จำเป็นเลย !! เพราะทุกวันนี้เรามีการทำ Analytics อยู่แล้ว เพียงแต่ในยุค 4.0 Analytics จะมีความจำเป็นมากขึ้นเพื่อทำการตัดสินใจโดยอัตโนมัติ องค์กรของเราควรเริ่มทำ Analytics ตั้งแต่บัดนี้เพราะเริ่มทำก็เริ่มได้ประโยชน์ทันที เป็นการเตรียมความพร้อมรองรับอนาคตที่ไม่เสียเปล่าแน่นอน
ในส่วนของ Data Analytics สามารถเข้ามามีบทบาทมากขึ้นตั้งแต่ยุค 3.0 เป็นต้นไป ซึ่งก็คือยุคที่ โรงงานใช้คอมพิวเตอร์ ใช้ระบบการควบคุมแบบอัตโนมัติ ซึ่งโรงงานในไทยจำนวนมากมายที่ใช้ระบบ Automation ระบบ PLC กันอย่างแพร่หลาย และโรงงานที่พร้อมก็คงต้องทยอยปรับเปลี่ยนเพื่อก้าวเข้าสู่ยุค 4.0* ในที่สุด
ยุค 4.0 เป็นยุคของ Cyber-physical System คือการที่เทคโนโลยีการสื่อสารที่ดีขึ้น ระบบ Automation และ IoT(Internet of Things) จึงเริ่มมีการผสมผสานกัน เครื่องจักรต่างๆ ผู้ควบคุม ผู้ที่เกี่ยวข้องมีการสื่อสารและควบคุมกันได้ เป็นยุคที่จะเปลี่ยนผ่านจาก Factory ไปสู่ความเป็น Smart Factory จึงหลีกเลี่ยงไม่ได้ที่จะต้องทำ Data Analytics เพื่อขับเคลื่อน ควบคุม และตัดสินใจบนพื้นฐานของข้อมูลที่ดี
การทำ Data Analytics ในภาคอุตสาหกรรม
ไม่ว่าโรงงานของคุณจะเป็น Industry 2.0, 3.0 หรือ 4.0 ลองพิจารณา Data Analytics ในมุมมองเหล่านี้!
เราลงทุนเก็บข้อมูลต่างๆ เพราะเราต้องการใช้ประโยชน์จากมัน เพื่อกลับมาย้อนดู เพื่ออ้างอิงต่างๆ เพื่อทำรายงาน แต่การทำ Data Analytics เพื่อช่วยให้เรานำประโยชน์ออกมาใช้ให้เต็มที่ยิ่งขึ้นไปอีก
ในโรงงานต่างๆ มักจะมีข้อมูลมากมาย หลากหลาย บ้างก็พร้อมที่จะ Export ออกมาจากเครื่องจักร ออกมาจากเซนเซอร์ต่างๆ หลายๆแห่งมีระบบ ERP ที่เก็บข้อมูลไว้มากมาย นอกจากนี้ยังมีความหลากหลายของแหล่งข้อมูลอีก น่าเสียดาย หากข้อมูลเหล่านั้นไม่ได้ถูกนำมาใช้ประโยชน์ไห้เกิดคุณค่ามากพอ เพราะอันที่จริงเราสามารถนำข้อมูลมาทำ Data Analytics เพื่อให้เกิดคุณค่าต่างๆได้อีกมาก
เราสามารถจำแนกรูปแบบการนำข้อมูลไปใช้ ตามคุณค่าฯของข้อมูล และความยากง่ายได้ดังต่อไปนี้
Descriptive Analytics
เป็นการอธิบายสิ่งที่เกิดขึ้นแล้ว เช่น เกิดอะไรขึ้นบ้าง
- มีกี่เครื่องจักรที่ทำงานอยู่ มีกี่เครื่องที่เสีย แต่ละเครื่องมี Utilization เป็นอย่างไร OEE เป็นอย่างไร? Top 5 Defects คืออะไร? Etc.
- แผนการผลิตที่จัดวางไว้ มีกำหนดเสร็จล่าช้า เกิด Overtime เยอะเกินกว่าเป้าหมาย เกิดUtilization ของเครื่องจักรต่ำ เป็นต้น
Diagnostic Analytics
เป็นการวินิจฉัยข้อมูลเพื่อบอกสาเหตุว่า ทำไมจึงเกิดขึ้น
- เครื่องที่เสียบ่อย มักจะมี Usage ใช้งานมากกว่าเครื่องอื่น และมักจะเป็นเครื่องที่ทำ Preventive Maintenance ไม่ตรงตามรอบเวลา
- Top 5 Defects บางครั้งเกิดจากเครื่องที่ไม่ได้เสียบ่อย แต่เป็นเครื่องที่มีการ Setup บ่อยครั้ง
- แผนการผลิตล่าช้า เนื่องจาก จำนวนงานแทรกเยอะ และงานที่แทรกเป็นงานที่ให้เกิดต้นทุนสูง จึงทำให้ Profit ต่ำ แต่อย่างไรก็ตามเป็นงานที่มี Priority สูง
Predictive Analytics
เป็นการนำข้อมูลมาคาดคะเน มาพยากรณ์ เพื่ออธิบายว่า กำลังจะเกิดอะไรขึ้น
- คาดคะเนอายุการใช้งานของเครื่องจักร คาดคะเนโอกาสที่เครื่องจักรจะเสีย เครื่องจักรน่าจะเสียเมื่อไหร่?
- การคาดคะเนโดยการพยากรณ์ว่ายอดขาย หรือ Demand เพื่อใช้ขับเคลื่อน หรือวางแผนการผลิต จะเป็นอย่างไร
Prescriptive Analytics
เป็นการนำข้อมูลมาคำนวนและผ่านกระบวนการต่างๆ โดยใช้ Algorithm ต่างๆ เช่น math model เพื่อคำนวนและแนะนำว่า เราจะทำให้มันเกิดขึ้น หรือไม่ให้เกิดขึ้นอีกได้อย่างไร
- จะสร้างแผนการผลิตที่คำนึงทั้ง Material และ Capacity พร้อมกันได้อย่างไร
- จะสร้างแผนทีให้คำตอบที่ดีที่สุดอย่างไร
- แผนการบำรุงรักษาเครื่องจักรควรเป็นอย่างไร เครื่องจักรต้องทำงานกี่ชั่วโมง พักกี่ชัวโมง จึงจะดีที่สุด
- แผนการผลิตที่ทำให้ต้นทุนต่ำสุด หรือกำไรสูงสุด ควรมีลำดับการผลิตเป็นอย่างไร ควรทำงานไหนก่อน งานไหนหลัง?
สรุป
บทความนี้เป็นเพียงการยกตัวอย่างและพูดถึงอีกหนึ่งมุมมองของ Analytics ในภาคอุตสาหกรรมการผลิต ที่อาจจะเกิดมากขึ้น ในยุคที่การจัดการต่าง ๆ ถูกขับเคลื่อนด้วยข้อมูล โดยเฉพาะอย่างยิ่งในยุค 4.0 ที่แม้กระทั่งเครื่องจักรและอุปกรณ์ต่างๆ ก็สื่อสารกันด้วยข้อมูล และแท้ที่จริงแล้วก็ไม่จำเป็นว่าภาคอุตสาหกรรมจะต้องเป็น 4.0 เท่านั้น จึงจะสามารถพิจารณาเรื่อง Analytics ได้ หากแต่เมื่อไหร่ที่เรามี Data เพียงพอ สำหรับเรื่องที่เราต้องการวิเคราะห์ ก็น่าจะสมควรแก่การพิจารณาลงมือทำ Analytics และใช้ประโยชน์จากมันให้เต็มที่
อ้างอิง
[1] สวทช. “อุตสาหกรรม 4.0 (Industry 4.0) แนวทางของอุตสาหกรรมแห่งอนาคต”. 2017