AI, MES i raportowanie nie naprawią bałaganu w danych. Mogą go za to szybko pokazać. Dlatego przygotowania pod AI są ważnym krokiem przed wdrożeniem.
Jeśli ta sama maszyna ma trzy nazwy w ERP, Excelu i na hali, raporty zaczną się rozjeżdżać. Jeśli operatorzy wpisują przestoje jako awaria, stop, inne albo zostawiają puste pole, AI nie odróżni problemu technicznego od braku materiału. Jeśli zlecenia produkcyjne nie łączą się z danymi z maszyn, MES będzie zbierał liczby bez kontekstu.
Dlatego przygotowania pod AI nie powinny się zaczynać od wyboru narzędzia. Pierwszym krokiem jest uporządkowanie danych w Twojej firmie: źródeł, definicji, identyfikatorów, odpowiedzialności i reguł jakości.
Gartner podaje, że słaba jakość danych kosztuje organizacje średnio co najmniej 12,9 mln dolarów rocznie. W komunikacie z 29 lipca 2024 roku firma prognozowała, że do końca 2025 roku co najmniej 30% projektów GenAI zostanie porzuconych po proof of concept, między innymi przez słabą jakość danych, rosnące koszty lub niejasną wartość biznesową. Według IDC, cytowanego w materiale Oracle, 80% czasu pracy z danymi może schodzić na ich szukaniu, przygotowaniu i ochronie, a tylko 20% na analizie.
Zacznij od ustalenia jakie decyzje mają wspierać dane.
Potem przejdź przez poniższe osiem kroków:
Dopiero po tak przeprowadzonym przygotowaniu wybieraj raporty, modele AI, ekrany operatora lub integracje.
Zbyt często rozmowę o AI zaczyna się od narzędzi i modeli. Bez uporządkowanych danych nawet dobry model będzie dawał wyniki, których trudno bronić przed produkcją, jakością lub utrzymaniem ruchu.
Przygotowania pod AI powinny obejmować sprawdzenie czy masz dane historyczne, wspólne definicje, spójne identyfikatory i jasne źródła prawdy. Dopiero wtedy ocenisz, czy AI ma z czego się uczyć i czy jej rekomendacje będą miały sens na hali.
Porządkowanie danych to ustalenie, jak zakład opisuje produkcję liczbami. W firmie produkcyjnej to:
Bez tego raport OEE może pokazywać co innego niż raport kierownika zmiany. MES będzie działał, ale część danych trzeba będzie poprawiać ręcznie. AI znajdzie zależności, które wyglądają ciekawie, ale nie mają sensu na hali.
Zdobądź bezpłatnie 5 rozdziałów książki!
Dołącz do buletynu i zyskaj dostęp do 40% książki
„15 kroków do zakupu systemu informatycznego”.
Najczęstszy błąd to zaczęcie ot tego, jakie dane są dostępne. Lepszym punktem wyjścia będzie to, jakie decyzje chcemy podejmować szybciej i pewniej.
| Decyzja | Jakie dane są potrzebne |
| Gdzie tracimy czas na zmianie? | przestoje, czasy cyklu, powody zatrzymań |
| Które produkty dają najwięcej braków? | produkt, partia, parametry procesu, wyniki jakości |
| Czy plan produkcji jest realny? | moce maszyn, zlecenia, przezbrojenia |
| Czy AI przewidzi problem jakościowy? | historia OK/NOK, parametry procesu, partie |
| Czy MES zastąpi ręczne raporty? | statusy operacji, dane z maszyn, normy |
Jeśli nie wiadomo, jaką decyzję ma wspierać dane pole, szybko pojawia się zbieranie na zapas, co szybko podnosi koszt projektu i utrudnia analizę.
Dane w zakładach produkcyjnych często są rozproszone. Część jest w ERP, w SCADA, część w panelach maszyn, w Excelu, a jeszcze inne na papierze.
Mapa źródeł danych powinna pokazać:
Na tej podstawie zbudujesz słownik danych. Bez niego szybko pojawiają się spory: czy przezbrojenie liczymy jako przestój planowany, czy zatrzymanie poniżej 2 minut ma być rejestrowane, czy oczekiwanie na materiał obciąża produkcję, logistykę czy planowanie.
| Obszar | Co trzeba zdefiniować |
| Produkcja | zlecenie, operacja, cykl, norma, przezbrojenie |
| Utrzymanie ruchu | awaria, interwencja, postój planowany |
| Jakość | OK, NOK, brak, odpad |
| Logistyka | partia, lokalizacja, zużycie materiału |
| Ludzie | stanowisko, rola, brygada, uprawnienia |
Równie ważne są identyfikatory. Ta sama maszyna może występować jako LINIA_01, L1_PACK, Pakowaczka 1 i stara linia. Dla pracownika to ten sam zasób. Dla systemu mogą to być cztery różne obiekty. Czasem wystarczy tabela mapująca.
Nie musisz analizować całej firmy naraz. Zacznij od jednej linii, rodziny produktów albo procesu, który generuje dużo strat.
| Test | Pytanie | Przykład problemu |
| Kompletność | Czy wymagane pola są uzupełnione? | 35% przestojów bez przyczyny |
| Spójność | Czy systemy pokazują to samo? | ERP ma inne zlecenie niż panel operatora |
| Aktualność | Czy dane pojawiają się na czas? | raport jakości dostępny następnego dnia |
| Unikalność | Czy rekordy się nie dublują? | ta sama partia zapisana dwa razy |
| Poprawność | Czy wartości są realne? | czas cyklu 0 sekund albo 999 minut |
Taki test szybko pokaże Ci, gdzie projekt może się potknąć.
System MES nie potrzebuje wszystkich danych od pierwszego dnia, ale tych, które najlepiej opisują przebieg produkcji.
Na start przygotuj:
Potrzebujesz też ustalić źródło prawdy. ERP zwykle dobrze sprawdza się przy zleceniach, indeksach i planie. SCADA oraz PLC dostarczają sygnały z maszyn. MES łączy dane z hali z kontekstem: produktem, operacją, zleceniem, operatorem, jakością i statusem.
| Dane | Źródło prawdy |
| plan produkcji | ERP lub APS |
| liczba cykli | maszyna, PLC, SCADA |
| powód przestoju | MES, panel operatora |
| wynik kontroli jakości | MES lub QMS |
| status operacji | MES |
| indeks produktu | ERP |
explitia oferuje Portal Produkcyjny jako platformę dla firm produkcyjnych, która pozwala wdrożyć system MES oraz narzędzia wspierające planowanie, monitorowanie i rozwój produkcji. W jednym miejscu można zbierać informacje z maszyn, czujników, sterowników PLC, ERP oraz formularzy operatorskich.
Część kontekstu zna człowiek: powód postoju, problem z materiałem, nietypową sytuację przy przezbrojeniu, decyzję jakościową. Dlatego panel operatora i proste formularze mogą być bardzo pomocne.
AI potrzebuje danych historycznych, dobrze opisanych przypadków i etykiet. Jeśli ma przewidywać wadę, potrzebuje historii OK/NOK. Jeśli ma przewidywać awarię, potrzebuje dobrze opisanych zdarzeń serwisowych.
| Cel AI | Potrzebne dane |
| przewidywanie awarii | historia pracy maszyny, alarmy, interwencje UR |
| przewidywanie braków | dane OK/NOK, parametry procesu, materiał, partia |
| wsparcie planowania | zlecenia, moce, dostępność ludzi, przezbrojenia |
| analiza przestojów | czasy, powody, maszyna, produkt, zmiana |
| rekomendacje dla operatora | bieżące parametry, instrukcje, podobne przypadki |
AI nie zgadnie, co firma miała na myśli. Będzie uczyć się z tego, co zostało zapisane.
Porządkowanie danych często pokazuje, że problem leży w sposobie pracy.
Przykład: lista powodów przestoju ma 47 pozycji. Część brzmi podobnie. Operator ma mało czasu, więc wybiera powód inne. Po kilku miesiącach 60% postojów wpada do jednej kategorii. Raport istnieje, ale nie mówi, co poprawić.
Lepsze rozwiązanie:
Niezwykle ważne jest, by dane były dopasowane do pracy produkcji. Jeśli ich wpisywanie przeszkadza operatorowi, będą uzupełniane po czasie albo w najprostszy możliwy sposób, niekoniecznie ten właściwy.
Dane bez właściciela psują się niemal niezauważalnie. Dlatego musi być jasne kto może dodać nowy powód przestoju, zmienia normę cyklu czy zakłada nowy indeks produktu.
| Obszar danych | Właściciel biznesowy |
| zlecenia i indeksy | planowanie |
| maszyny i sygnały | utrzymanie ruchu / automatyka |
| przestoje | produkcja |
| jakość | dział jakości |
| raporty | właściciel procesu |
| uprawnienia | kierownicy obszarów |
Tego rodzaju podział chroni Cię przed sytuacją, w której każdy poprawia dane według własnych zasad.
Wybierz jeden obszar produkcji i odpowiedz:
Jeśli przy większości pytań pojawia się „nie”, zacznij od jednej linii i jednego problemu.
Więcej danych nie oznacza lepszych decyzji.
Jeśli produkcja, jakość i UR inaczej rozumieją przestój, raport stanie się początkiem sporu.
Operatorzy najlepiej wiedzą, które dane są trudne do wpisania i gdzie system nie pasuje do pracy na hali.
AI może pomagać w analizie, ale nie uporządkuje lat niespójnych wpisów bez zasad, kontekstu i etykiet.
Dobre dane nie gwarantują sukcesu projektu, ale złe dane bardzo szybko go osłabią.
Jeśli chcesz wdrożyć AI, MES albo raportowanie, zacznij od prostego pytania: czy nasze dane opisują produkcję tak, jak ona naprawdę działa?
Jeśli odpowiedź nie jest pewna, zacznij od mapy źródeł, słownika pojęć, identyfikatorów i testu jakości danych na jednym obszarze. Dzięki temu zobaczysz, które dane są wiarygodne, których brakuje i jaki zakres AI, MES lub raportowania ma największy sens na start.
Nie. Trzeba mieć dane wystarczająco dobre dla pierwszego zakresu wdrożenia. Najlepiej zacząć od jednej linii, jednego procesu albo jednego problemu.
Najczęściej potrzebne są dane o maszynach, stanowiskach, produktach, operacjach, zleceniach, czasach cyklu, przestojach, jakości, partiach materiałów, użytkownikach i statusach produkcji.
MES potrzebuje danych do bieżącego zarządzania produkcją. AI potrzebuje danych historycznych, dobrze opisanych przypadków oraz etykiet, na przykład OK/NOK, typ awarii, powód przestoju.
