Od reaktivne do proaktivne: Kako podrška za analizu podataka preoblikuje uslugu kupcima

Prelazak s modela za popravljanje kvarova na predviđanje uspjeha kupaca u industrijskim abrazivima

Godinama su proizvođači industrijskih abraziva u osnovi dolazili do kraja kada im se oprema pokvarila. Čekali su da nešto ne uspije prije nego što su nešto učinili. Što je problem? Ovaj pristup ih je koštao ozbiljne pare zbog zaustavljanja proizvodnje. Uzmite dijamantne polirače na primjer, samo ove stvari mogu isključiti strojeve za oko 27 sati mjesečno. Stvari su se promijenile s porastom analize podataka u proizvodnji. Sada su tvrtke postaju pametni pretvarajući čitanja senzora u upozorenja o potencijalnim problemima. Kad tvornice prate razine pritiska, promjene temperature i brzinu okretanja dijelova, otkrivaju iscrpljene podloge mnogo prije nego što izazovu stvarnu štetu. Jedno veliko ime u poslu smanjeno na te iznenađenje zamjene podloge za gotovo dvije trećine jednom su počeli praćenje obrasca upotrebe. Umjesto da samo popravljaju ono što je slomljeno, sada razmišljaju o tome koliko će sve trajati i planiraju u skladu s tim.

U skladu s člankom 3. stavkom 1.

Dijamantni sustavi povezani putem IoT tehnologije šalju informacije o provedbi na terenu na središnje kontrolne ploče ovih dana, što omogućuje daljinsku dijagnozu i podršku ranog upozorenja. Analitičari sustava otkrivaju čudne vibracije ili kad rashladna tekućina ne teče ispravno, tako da tehničari mogu da se uključe i poprave stvari prije nego što itko shvati da se događa problem. Uzmimo toplinske tragove na primjer. Ako se nešto neočekivano pregrije, sustav će automatski prilagoditi postavke okretaja kako bi se komponente spriječile da se brzo isprobaju. Takve vrste predviđanja popravka su stvarno smanjile vrijeme potrebno za rješavanje problema. Ono što je prije trajalo tri dana ili više sada se rasporedi za manje od devet sati prema izvještajima industrije. Zrenarije koje su implementirale ove pametne sustave prijave oko 43 posto manje puta da moraju povećati zahtjeve za podršku. Najvažnije je da se oko 89 posto potencijalnih problema zaustavi u početku zbog ovih prilagodbi u stvarnom vremenu prije nego što uspore proizvodne linije.

Studija slučaja: Kako je proizvođač razine 1 smanjio povećanje podrške za 42%

U skladu s člankom 3. stavkom 1. U roku od osam mjeseci, prijelaz s reaktivne na prediktivnu podršku dao je mjerljive rezultate:

Ako pogledamo brojke, vidimo da se oko dvije trećine ranog neuspjeha događa jer operateri nepredvidljivo izvršavaju pritisak. To smo otkrili proučavajući uzorke korištenja iz prošlosti i gledajući kako ljudi zapravo koriste ove strojeve iz dana u dan. Kada smo uvedli prilagođene treninge zajedno s tim trenutnim upozorenjima o kalibraciji, životni vijek jastučića je porastao za oko 30%. Što sve ovo znači? Pa, integracija podataka više nije samo rješavanje problema. Pretvara ono što je nekad bilo samo još jedna trošak u nešto što kompanijama daje prednost nad konkurentima. Ljudi iz Forbesa pisali su o sličnim konceptima kada su raspravljali o utjecaju umjetne inteligencije na interakcije s kupcima, ali ovaj primjer donosi te ideje na zemlju za svakodnevne proizvodne operacije.

Razumijevanje ponašanja kupaca kroz operativne podatke u potrošnim materijalima s visokim trošenjem

Otkrivanje skrivenih uzoraka: kako tehnika operatora utječe na životni vijek dijamanata

Pretraživanje podataka iz radnje otkriva nešto zanimljivo o polirnim podložkama za dijamant: način na koji ih operatori obrađuju čini svu razliku, što čini oko 40% razloga zašto neki traju duže od drugih. Nitko ne govori o tome puno, ali to je veliki faktor u ukupnom učinku. Otkrili smo da kada ljudi primjenjuju previše pritiska preko 25 psi ili okretati stvari brže nego što je preporučeno, abrazivni materijali počinju se nositi oko 2,3 puta brže na temelju naše analize obrazaca nošenja. Dobra vijest je da sada možemo ugraditi IoT senzore u same strojeve za poliranje. Ovi mali uređaji prate stvari kao što je dosljedno držanje ugla i mjerenje sila prema dolje, što omogućuje našem analitičkom timu da otkrije opasne navike prije nego što postanu problemi. Uzmi bočno ljuljanje kao samo jedan primjer. Naše studije pokazuju da se tim pokretom jezgra odvaja od rezina vezanih podloga oko 30% brže. Pretvarajući sve ove nalaze u lako čitljive dashboardove za treniranje, možemo dati tehničarima specifične povratne informacije o njihovoj tehnici. Terenski testovi pokazali su da ovaj pristup smanjuje početne neuspjehe za oko 18%, što znači manje vremena za zastoj i zadovoljnije kupce u cijelosti.

Pametnije segmentiranje: Podrška prilagođavanje na temelju konteksta korištenja, a ne samo tipa računa

Segmentacija kupaca samo na temelju veličine tvrtke ili razine ugovora propušta ono što je stvarno važno kada je u pitanju korištenje dijamante. Pametni proizvođači danas gledaju na sve vrste faktora umjesto toga. Provjeravaju stvari poput količine vlage u zraku jer to utječe na to koliko se sluz može ispušiti, razlike u tvrdoći različitih kamenja, pa čak i koliko radnika zapravo troši brušenje tijekom smjena što utječe na nakupljanje toplote. Kada tvrtke imaju ovaj širi pogled, nalaze zanimljive obrasce. Naprimjer, radnici koji obnavljaju mramor uz mokre obalne zone moraju zamijeniti svoje podloge oko 37 posto češće u usporedbi s onima koji rade s granitom u suhim pustinjskim područjima, unatoč tome što imaju iste ugovore. Osoblje podrške počinje slati bolje prilagođene potrošne pred promjenu sezone, tako da je mnogo manje potrebe za narudžbama u posljednji trenutak. Hitne pozive za zalihe su se smanjile za pola nakon uvođenja ovog sustava. Gledajući unaprijed i planiranje na temelju stvarnih uvjeta, a ne samo brojeva, preobražava uslugu kupcima iz nečeg reaktivnog u smislene suradnje izgrađene na stvarnim uvidima.

Prediktivna analiza i alati na temelju umjetne inteligencije za predviđanje potreba kupaca

Smanjenje vremena zastoja: Kako predviđanje rješavanja problema smanjuje vrijeme rješavanja sa 72 na 9 sati

Upotreba prediktivne analize pomaže tvornicama prestati reagirati na probleme nakon što se dogode. Kad promatraju stvari poput vibracija strojeva, promjene temperature tijekom vremena i brzine uništavanja materijala, pametni računalni programi mogu uočiti male znakove upozorenja koji pokazuju da će se podloge pokvariti tjednima ili čak mjesecima prije stvarnih kvarova. Tehnici onda znaju točno kada zamijeniti te dijelove dok sve ostalo radi glatko, tako da ne postoji potreba za hitnim popravcima koji ometaju važne proizvodne rasporede. Neke su tvornice prijavile da su od uvođenja ovog sustava smanjile vrijeme nepredviđenog zastoja za gotovo polovinu.

Jedan vodeći proizvođač abraziva integrirao je podatke senzora iz sustava za poliranje s IoT-om u svoju platformu za uspjeh kupaca i postigao smanjenje vremena rezolucije za vrijeme zastoja vezano za podloge za 87,5%: s 72 na samo 9 sati. To se pretvara u šestomjesečnu godišnju uštedu po proizvodnoj liniji eliminiranjem neplaniranih zaustavljanja.

Budućnost: platforme za uspjeh kupaca na bazi umjetne inteligencije integrirane s IoT-om

Sljedeća granica spaja analitiku performansi dijamante u stvarnom vremenu s angažmanom kupaca na temelju umjetne inteligencije. Novije platforme analiziraju obrasce korištenja u tisućama instalacija, povezujući tehnike operatora s optimalnim rezultatima. Ti sustavi automatski šalju prilagođene vodike održavanja kada se pojave nepravilnosti ili obavješćuju timove za podršku kako bi započeli proaktivne konsultacije.

Tijekom testiranja, pametni sustavi otkrivaju kada se pritisak ne raspoređuje kako treba dok se polira i automatski prikazuju video vodiče prilagođene specijalno za vrstu stroja koji operater koristi i materijal na kojem radi. Cijela ta stvar povratne veze radi prilično dobro zapravo - kada strojevi prikupljaju performanse informacije, to pomaže timovima podrške znati točno što učiniti sljedeće. Problemi s treniranjem znatno su smanjeni, a trajanje podloga je gotovo 20% dulje nego prije. U budućnosti možemo očekivati osobnu pomoć koja predviđa probleme prije nego što postanu normalan slučaj, a ne nešto posebno. Većina proizvođača već se kreće prema ovakvoj vrsti proaktivne strategije održavanja.

Česta pitanja

Koja je glavna prednost predviđene analize u industrijskim abrazivima?

Prediktivna analiza omogućuje tvrtkama da predvide i riješe probleme s opremanjem prije nego što dovedu do značajnih zastoja, čime se štede troškovi i poboljšava učinkovitost.

Kako sustavi s IoT-om doprinose proaktivnom održavanju?

Sustavi koji omogućuju IoT pružaju podatke i dijagnostiku u stvarnom vremenu koje omogućuju ranu identifikaciju potencijalnih problema, omogućavajući brze intervencije koje sprečavaju zastoj.

Može li obuka i prilagodba tehnike utjecati na životni vijek dijamante?

Da, tehnika rukovodioca ima veliki utjecaj na životni vijek dijamante. Prilagođivanje programa treninga i korištenje analitičkih podataka kako bi se pružila specifična povratna informacija pomažu im u produženju života.

Kako praćenje u stvarnom vremenu utječe na zahtjeve za potporu?

U skladu s člankom 1. stavkom 2. stavkom 2. Izvještaji pokazuju smanjenje zahtjeva za povećanu potporu do 43% s tim sustavima.