Dáta sa v podnikoch často len hromadia, no ich skutočná sila sa ukáže až v momente, keď začnú rozprávať príbeh o procesoch, kvalite či nových príležitostiach. Slovenské malé a stredné podniky (MSP) stoja práve na tejto križovatke – medzi zbieraním informácií a schopnosťou premieňať ich na rozhodnutia s reálnym dopadom.
O tom, čo im dnes pomáha, čo ich brzdí a kde sa skrýva najväčší potenciál, sme sa rozprávali s Milanom Loksikom zo SOVA Digital, lektorom kurzu ING 4.0: Zber dát, ich analýza a strojové učenie.
Ako hodnotíte súčasný stav práce s dátami v slovenských MSP? V ktorých procesoch alebo činnostiach využívajú podniky dáta najintenzívnejšie?
Súčasný stav práce s dátami v slovenských MSP by som hodnotil ako diverzifikovaný. Máme tu spektrum firiem – od tých, ktoré dáta zbierajú a spracovávajú len veľmi okrajovo, často manuálne a reaktívne, až po tie, ktoré už majú zavedené systémy a začínajú s ich proaktívnym využívaním. Väčšina MSP sa však stále nachádza niekde uprostred, na začiatku svojej dátovej cesty. Najintenzívnejšie využívajú dáta v procesoch, kde je viditeľný okamžitý prínos. Ide predovšetkým o riadenie výroby a plánovanie – dáta o objednávkach, stave zásob, kapacitách strojov a zamestnancov, kontrola kvality a skladové hospodárstvo – stavu zásob.
Pracujú podniky aktívne s dátami a analýzami na zlepšovanie svojich procesov? Ak nie, čo podľa vás najčastejšie brzdí ich využitie?
Ako som už naznačil, aktivita sa líši. Hoci si väčšina podnikov uvedomuje potrebu pracovať s dátami, reálne aktívne využívanie na systematické zlepšovanie procesov je stále skôr výnimkou ako pravidlom. Často sa dáta zbierajú, ale chýba následná hĺbková analýza a premena poznatkov na konkrétne akcie.
Aké zručnosti podľa vás zamestnancom chýbajú na to, aby vedeli lepšie pracovať s dátami a posúvať digitálne projekty? Ide skôr o technické zručnosti, prácu s nástrojmi, alebo schopnosť prepájať dáta s biznisom?
Všetky spomenuté zručnosti sú dôležité, ale slovenské MSP najviac trpia nedostatkom schopnosti prepájať dáta s biznisom. Technické zručnosti a práca s nástrojmi sa dajú relatívne rýchlo naučiť alebo si na ne najať externých expertov. Avšak bez hlbokého pochopenia biznis procesov a problémov, ktoré chceme dátami riešiť, sú aj tie najlepšie technické zručnosti bezcenné. Viac než v zručnostiach vidím problém v tom, že v MSP je bežné kumulovanie úloh na výkonných ľudí, pričom sa od nich očakáva, že popri svojej agende budú zároveň plniť aj rolu dátových analytikov.
„Najintenzívnejšie využívajú dáta v procesoch, kde je viditeľný okamžitý prínos.
Ide predovšetkým o riadenie výroby a plánovanie.„
Ak podniky nevyužívajú dostupné nástroje a riešenia, je to preto, že o nich nevedia, alebo ich považujú za príliš zložité?
Je to kombinácia oboch faktorov, pričom nedostatok vedomostí a obavy zo zložitosti idú ruka v ruke. MSP často pracujú s obmedzenými ľudskými zdrojmi a časom. Implementácia nových systémov a nástrojov je pre nich dodatočnou záťažou s obavami o výsledne zlepšenia biznisu. Trh s dátovými nástrojmi je obrovský a neustále sa vyvíja. Pre malé a stredné podniky, ktoré nemajú vlastné IT oddelenia zamerané na dátovú analýzu, je ťažké orientovať sa v ponuke a identifikovať vhodné riešenia. Ak aj o nejakom nástroji vedia, často ho považujú za príliš komplexný na implementáciu a správu. Obávajú sa nákladov, potreby špecializovaného personálu a dlhých integračných projektov.
Najčastejšie faktory, ktoré brzdia využitie dát v podniku:
• Nedostatok strategickej vízie a manažérskeho pochopenia:
Ak manažment nevidí v dátach konkrétnu hodnotu a nevie si predstaviť ich prínos pre biznis, investície do dátových riešení a rozvoja zručností sú minimálne.
• Fragmentácia dát a dátová silá: Dáta sú často roztrúsené v rôznych systémoch (ERP, MES, WMS, Excel tabuľky) a nie sú prepojené. Ich zber a konsolidácia sú potom časovo náročné a bránia komplexným analýzam.
• Nedostatok kvalifikovaných zamestnancov: Firmám chýbajú dátoví analytici, inžinieri či vedci, ktorí by dokázali dáta zbierať, čistiť, analyzovať a interpretovať.
• Kultúrna bariéra a odpor voči zmenám: Zamestnanci sa niekedy obávajú, že ich dáta budú „kontrolovať“ alebo že ich práca bude nahradená technológiou.
• Finančné obmedzenia: Implementácia dátových riešení a nástrojov môže byť pre MSP nákladná, obzvlášť ak nie je jasná návratnosť investície.
• Nedostatočná kvalita dát: Dáta sú často neúplné, nekonzistentné alebo chybné, čo znemožňuje ich zmyslu-plnú analýzu.
Ak podniky nevyužívajú dostupné nástroje a riešenia, je to preto, že o nich nevedia, alebo ich považujú za príliš zložité?
Je to kombinácia oboch faktorov, pričom nedostatok vedomostí a obavy zo zložitosti idú ruka v ruke. MSP často pracujú s obmedzenými ľudskými zdrojmi a časom. Implementácia nových systémov a nástrojov je pre nich dodatočnou záťažou s obavami o výsledne zlepšenia biznisu. Trh s dátovými nástrojmi je obrovský a neustále sa vyvíja. Pre malé a stredné podniky, ktoré nemajú vlastné IT oddelenia zamerané na dátovú analýzu, je ťažké orientovať sa v ponuke a identifikovať vhodné riešenia. Ak aj o nejakom nástroji vedia, často ho považujú za príliš komplexný na implementáciu a správu. Obávajú sa nákladov, potreby špecializovaného personálu a dlhých integračných projektov.
Prečo je podľa vás dôležité, aby firmy pri práci s dátami postupovali systematicky (napr. podľa CRISP-DM)?
Systematický prístup, ako napríklad metodika CRISP-DM, je kľúčový pre úspech akéhokoľvek dátového projektu. Bez jasného rámca sa firmy často strácajú a len ťažko dosahujú reálne výsledky.
Jedným z hlavných dôvodov je znižovanie rizika neúspechu – systematický prístup minimalizuje pravdepodobnosť, že projekt zlyhá kvôli nejasným cieľom, nekvalitným dátam alebo nesprávnej interpretácii výsledkov. Rovnako dôležité je jasné definovanie cieľov: metodiky nútia firmy už na začiatku pomenovať biznis problém, ktorý chcú dátami riešiť. Bez tohto kroku sa analýza ľahko zmení na „hranie sa s dátami“. Výhodou je aj opakovateľnosť a škálovateľnosť – ak je proces dobre zdokumentovaný a systematický, možno ho v budúcnosti zopakovať na iných dátových súpravách alebo rozšíriť na komplexnejšie problémy. Súčasne podporuje efektívnu komunikáciu a spoluprácu, pretože jasne definuje role a zodpovednosti, zlepšuje komunikáciu medzi dátovými špecialistami a biznis oddeleniami a zabezpečuje spoločné chápanie cieľov projektu. V neposlednom rade systematický prístup umožňuje sledovať merateľné výsledky a návratnosť investícií, teda vyhodnocovať prínos dátového projektu pre samotný biznis.
„Trh s dátovými nástrojmi je obrovský a neustále sa vyvíja. Pre malé a stredné podniky, ktoré nemajú vlastné IT oddelenia zamerané na dátovú analýzu, je ťažké orientovať sa v ponuke a identifikovať vhodné riešenia.“
Ako sa dá podľa vás vo firmách dobre nastaviť spolupráca medzi internými odborníkmi (napr. technológ, procesný inžinier) a externými analytickými partnermi? Čo je pri nej najväčšou výzvou?
Interní odborníci majú hlboké doménové znalosti – rozumejú tomu, ako funguje výroba a aké sú špecifiká produktu. Externí partneri naopak prinášajú špecializované analytické a dátové zručnosti a často aj nezaujatý pohľad zvonka. Aby spolupráca fungovala, je dôležité jasne nastaviť niekoľko pravidiel. V prvom rade je kľúčové definovať roly a zodpovednosti – kto je za čo zodpovedný, kto je „vlastníkom“ dát a kto interpretuje výsledky. Rovnako dôležitý je transfer znalostí: externí partneri by nemali iba dodať riešenie, ale aj preniesť svoje know-how na interný tím, aby firma dokázala byť v budúcnosti samostatnejšia. Spoluprácu výrazne uľahčuje aj agilný prístup, pri ktorom sa pracuje s čiastkovými výsledkami a pravidelnou spätnou väzbou. To umožňuje priebežne korigovať smer projektu a zabezpečiť, že výsledné riešenie skutočne spĺňa potreby firmy.
V ktorých oblastiach vidíte najväčší prínos uplatnenia AI a dátovej vedy vo výrobe? Viete uviesť príklad jednoduchej aplikácie, ktorá má praktický dopad?
Najväčší prínos uplatnenia AI a dátovej vedy vo výrobe vidím v oblastiach, kde dokážu optimalizovať zložité procesy a zlepšovať rozhodovanie na základe poznatkov, ktoré človek nedokáže spracovať v takom rozsahu. Významnou oblasťou je prediktívna údržba – analýza dát zo senzorov strojov, ako sú teplota, vibrácie, tlak či spotreba energie, umožňuje predpovedať zlyhanie komponentov skôr, ako k nemu dôjde. Tým sa minimalizujú neplánované prestoje, zefektívňuje sa plánovanie údržby a predlžuje životnosť zariadení. Ďalšou oblasťou je optimalizácia kvality a detekcia defektov. Využitie strojového učenia, najmä počítačového videnia, umožňuje vizuálnu kontrolu výrobkov s vyššou presnosťou a rýchlosťou než ľudské oko. Analýza procesných dát zároveň pomáha odhaliť parametre, ktoré vedú k zhoršeniu kvality. Tretím príkladom je optimalizácia výrobných procesov a plánovania, kde modely dokážu analyzovať historické dáta o výrobe, dopyte, kapacitách a úzkych miestach a na ich základe navrhovať optimálne výrobné plány a efektívnu alokáciu zdrojov.
Príklady jednoduchej aplikácie, ktorá má praktický dopad:
Predstavte si výrobnú linku, kde je kritickým komponentom ventilátor, ktorý chladí dôležité zariadenie. Ak sa ventilátor pokazí, celá linka sa zastaví, čo znamená obrovské straty.
Aplikácia:
- Senzory: Na ventilátor sa umiestni jednoduchý senzor, ktorý monitoruje jeho vibrácie a teplotu. Dáta sa zbierajú v pravidelných intervaloch.
- Zber dát: Dáta sa posielajú do jednoduchého dátového úložiska (napr. cloudová databáza).
- Model strojového učenia: Na základe historických dát, kedy sa ventilátor pokazil sa natrénuje jednoduchý klasifikačný model (napr. logistická regresia alebo jednoduchý rozhodovací strom). Tento model sa naučí rozpoznať „pred-poruchový“ stav.
- Upozornenie: Keď aktuálne dáta zo senzora dosiahnu hodnoty, ktoré model označí ako „vysoké riziko poruchy“, systém vygeneruje upozornenie pre údržbu.
- Praktický dopad: Namiesto reaktívnej opravy po zlyhaní ventilátora môže údržba naplánovať jeho výmenu alebo opravu vopred, v čase mimo špičky alebo počas plánovanej odstávky. To minimalizuje neplánované prestoje, šetrí náklady na urgentné opravy a zvyšuje celkovú efektivitu výroby. Táto aplikácia nevyžaduje drahé a komplexné systémy, ale prináša okamžitú a merateľnú hodnotu.
Tento príklad je možné aplikovať pre rôzne typy úloh s motormi či ložiskami.
Predstavte si zvarovňu, kde máte zváracie stoly rôznych veľkostí, zváračov rozdelených do troch kategórií podľa ich kvalifikácie a výrobný plán obsahujúci výrobky rôznych rozmerov a stupňov náročnosti. Majster výroby sa snaží čo najlepšie rozdeľovať prácu zváračom na jednotlivé stoly, no nie vždy pozná úlohy, ktoré bude rozdeľovať v nasledujúcich dňoch. Aplikácia pomocou
digitálneho dvojčaťa ako dátového a procesného modelu:
Aplikácia:
- Integrácia s informačnými systémami: Získavanie údajov o výrobnom pláne (typy výrobkov, rozmery výrobkov, dáta z TPV, priority atď.). Načítanie informácií o zváračoch, ich kvalifikácii a dostupnosti (pracovné smeny, dovolenky, absencie). Dáta o zváracích stoloch: typ, rozmery, nosnosť, špecifické vybavenie.
- Dát z výroby: Zbieranie dát o aktuálnom stave každej úlohy (začatá, pozastavená, dokončená, rozmiestnenie úloh na stoloch, odpracované normohodiny).
- Vytvorenie modelu zvarovne: Implementácia pravidiel a obmedzení. Zabudovanie logiky, ktorá zohľadňuje napríklad: Kompatibilita stola a výrobku (Veľké výrobky len na veľkých stoloch). Možnosť umiestnenia maximálne troch malých výrobkov na jeden stôl. Optimalizačné kritériá: Minimalizácia prestojov, maximalizácia využitia zdrojov, dodržiavanie termínov.
- Vizualizácia výrobného plánu a kapacít: Systém navrhne optimálne priradenie úloh na základe kvalifikácie zváračov, veľkosti stolov a náročnosti výrobkov. Na základe optimalizovaného výrobného plánu majster schvaľuje poradie výroby a operatívne upravuje postup. Manažment na základe predikcie kapacít dynamicky plánuje ľudské zdroje.
- Praktický dopad: Digitálne dvojča vo zvarovni poskytne majstrovi výroby komplexný nástroj na inteligentné riadenie a optimalizáciu, čím sa manuálne rozhodovanie „najlepšie ako vie“ posunie na úroveň dátami podložených a simulovaných riešení. To vedie k efektívnejšiemu využitiu zdrojov, zníženiu prestojov pri príprave komponentov vstupujúcich do zostavy a presunu plánovacieho know-how z hlavy majstra do systémového riešenia.
Prečítajte si tiež, ako hodnotí Milan Lokšík doterajší priebeh vzdelávania v kurzoch ING 4.0 – Zber dát, ich analýza a strojové učenie.
