Статистическое управление процессами. «Большие данные». Учебное пособие

Таблица 3

Семь шагов цикла совершенствования деятельности компании при переходе к устойчивому производству

ных ведомств США реализуют инициативы по распространению практики устойчивого производства в американской промышленности. В частности, Министерство обороны США (Department of Defence) запустило Инициативу по устойчивому производству в аэрокосмической отрасли (The Sustainable Aerospace Manufacturing Initiative). Основная цель этой государственной программы – способствовать распространению принципов устойчивого производства

41

на предприятиях аэрокосмической отрасли США, у которых Министерство обороны закупает продукцию.

Ряд проектов в рамках Инициативы представляют значительный интерес с точки зрения распространения технологий Big Data в производственном секторе. Один из недавно реализованных проектов связан с оценкой протокола MTConnect и поддерживающего его программного обеспечения от различных поставщиков на предмет соответствия требованиям, выполнение которых будет способствовать аэрокосмической промышленности в достижении целей устойчивого производства.

Система MTConnect – открытый стандарт, описывающий протокол работы с данными, генерируемыми промышленным оборудованием с числовым программным управлением при выполнении технологических операций1. Использование этого протокола призвано обеспечить единообразие при взаимодействии конкретной единицы оборудования с программным обеспечением различных поставщиков, а также различных видов и единиц оборудования между собой (в том числе между оборудованием различных поставщиков). Обоснованно ожидается, что такие данные, собираемые на уровне цеха, предприятия, различных производственных площадок данной компании, позволят принимать принципиально новые управленческие решения по совершенствованию деятельности, которые без таких данных были бы невозможны.

Следует отметить, что протокол MTConnect появился и развивается вне прямой связи с постановкой проблемы перехода к устойчивому производству. Важно также, что он охватывает лишь один из трех ключевых аспектов устойчивого производства – производственные операции. Два других аспекта – материалы на входе в производство

иготовая продукция – выходят за рамки стандарта2. В то же время

1 В США предпринимаются и другие инициативы в этом направлении. В частности, над стандартами аналогичного назначения работает консорциум The Object Linking and Embedding for Process Control (OPC) Foundation. Эта организация и The MTConnect Institute сотрудничают в целях гармонизации своих требований.

2 Строго говоря, это не совсем так. В частности, компания General Electric, ставит и успешно решает задачу генерации данных в процессе эксплуатации сложной технической продукции, уже отгруженной своим потребителям. Эта информация может использоваться (в том числе) для совершенствования деятельности самой General Electric в процессе проектирования, производства и обслуживания все новых видов и образцов оборудования. Компания GE Intelligent Platforms использует стандарт MTConnect в ряде своих продуктов.

42

представляется очевидным тот факт, что он может сыграть большую роль в контексте задач устойчивого производства. Именно поэтому Министерство обороны США провело оценку этого стандарта в контексте обсуждаемой Инициативы.

Требования, на соответствие которым проводилась оценка протокола MTConnect, представляют принципиальный интерес и приведены в Приложении1 к протоколу. Приведенные в Приложении сведения свидетельствуют о том, что при современном уровне развития информационно-телекоммуникационных технологий становится возможным собирать и обрабатывать принципиально новые массивы данных о производстве. Эти данные можно использовать для дальнейшего всестороннего совершенствования деятельности бизнеса.

Очень интересны выводы, сделанные по результатам проведенной оценки протокола MTConnect и поддерживающего его программного обеспечения. По сути, эти выводы носят характер предложений для реализации новых исследовательских проектов для дальнейшего продвижения в обсуждаемой области. Таких основных выводов шесть:

1. Качество производимых деталей

В настоящее время на большинстве производственных площадок отсутствуют технологические возможности для оперативных (практически в режиме реального времени) проверок (Inspection, Probing, Gaging) качества производимых деталей. Понятно, что наличие таких возможностей позволило бы снизить уровень брака продукции. Однако дело не только в этом. Параллельно такие технологии позволили бы продвигаться и на пути к устойчивому производству: снижать потребление энергии и других природных ресурсов, уменьшить отходы, увеличить производительность человеческого капитала. (Стоит заметить, что это попытка реализовать концепцию «пока ёкэ», разработанную много лет назад Сигео Синго в Японии, и получившую широкое распространение во многих странах [66].)

2. Мониторинг и прогнозирование состояния оборудования

Сегодня хорошо решается задача мониторинга, т.е. производители могут достаточно точно и своевременно зафиксировать факт выхода единицы оборудования из строя, принять оперативные меры и тем самым

1 Источник: Project Report – Sustainable Aerospace Manufacturing Initiative. – The MTConnect Institute, 2011.

43

снизить вероятность наступления тяжелых последствий. Однако задача прогнозирования состояния оборудования на предмет возможного изменения фактических характеристик его функционирования или выхода из строя на адекватном уровне по-прежнему не решена. С точки зрения устойчивого производства это может вести к перерасходу энергии, объемов брака и отходов, снижению производительности. (Похоже, что это тоже пример непонимания возможностей менеджмента на основе статистического мышления в духе концепции Шухарта – Деминга, разработанной, на этот раз, не в Японии, а в США.)

3. Производственные активы

На момент исследования протокол MTConnect позволял отслеживать лишь данные об используемом в производстве инструменте. Отслеживание данных о других активах – охладителях, фильтрах, паллетах, крепеже и др. – могло бы внести серьезный вклад в дальнейшее продвижение к устойчивому производству.

4. Иные типы оборудования

На момент исследования протокол MTConnect в основном был ориентирован на работу с данными о функционировании токарных станков и обрабатывающих центров, так как они доминируют в промышленном производстве. Однако в аэрокосмической отрасли используется большое количество иных видов оборудования. Включение таких данных в стандарт также могло бы способствовать дальнейшему прогрессу.

5. Управление файлами

Существовавшая на момент исследования система управления файлами, которые обслуживал протокол MTConnect, поддерживала лишь базовую номенклатуру типов файлов. Однако две ключевые области современного производства – обслуживание и управление процессами используют существенно более широкий набор типов данных и файлов. Таким образом, расширение номенклатуры типов данных и файлов, которые поддерживаются протоколом и соответствующим программным обеспечением, – очевидная приоритетная область дальнейшего совершенствования.

6. Интерфейс с ERP и другими системами

Протокол MTConnect и соответствующее программное обеспечение изолированы в том плане, что они ориентированы на работу с данными, которые генерируются непосредственно на производстве.

44

Однако для извлечения большей реальной ценности из этих данных их обязательно нужно инкорпорировать в общую IT инфраструктуру компании (ERP, CRM и другие системы).

При рассмотрении вопроса о применении технологий «больших данных» на промышленных предприятиях значительный интерес представляет анализ и выявление тех элементов цепочек ценности, на которые руководители должны обратить свое внимание в первую очередь. Компания McKinsey Global Institute дает свой взгляд на этот актуальный вопрос [55]. Специалисты этой исследовательской организации «не мелочатся» и отмечают, что благоприятные возможности в связи с Big Data существуют практически во всех ключевых функциональных областях работы промышленного предприятия.

В функциональной области НИОКР существует целый спектр благоприятных возможностей в связи с «большими данными».

1. Управление разработкой продукции

Промышленные предприятия должны работать над созданием интероперабельных, межфункциональных баз данных, охватывающих всю цепочку поставок. Это позволит выйти на принципиально новый уровень совершенства в параллельной инженерной разработке (Concurrent Engineering), планировании экспериментов и имитационном моделировании, проведении совместных разработок (cocreation).

2. Создание ценности для потребителей

Агрегирование всесторонних данных о поведении потребителей на всех этапах взаимодействия с ними, обеспечение доступа к этим данным для разработчиков позволит компаниям намного точнее выявлять и закладывать в характеристики новой продукции постоянно и быстро изменяющиеся ожидания и предпочтения целевых сегментов рынка.

3. Открытые инновации и краудсорсинг

Предоставление доступа к своим данным широкому кругу лиц через сайты сотрудничества в виртуальной среде (virtual collaboration sites) позволит компаниям вовлечь в творческую работу большие группы специалистов на основе краудсорсинга.

Применение технологий Big Data в управлении цепочками поставок позволит компаниям учитывать в анализе большое количество параметров процессов, в том числе внешних, что даст возможность

45

прогнозировать спрос и планировать поставки на принципиально новом уровне совершенства. Управление цепочками поставок на качественно новом уровне окажет позитивное влияние на процессы производства. Однако позитивная роль «больших данных» этим не ограничится.

Использование Big Data предоставит новые возможности для совершенствования в рамках парадигмы «бережливого производства» (Lean Production). Кроме того, передовые компании смогут на новом уровне мастерства выполнять виртуальное моделирование производства в рамках концепции «цифровая фабрика» (digital factory). Эти благоприятные возможности возникают вследствие того, что «большие данные» обеспечивают принципиально новый уровень прозрачности производственных процессов, лучшую информационную насыщенность панелей управления производством (dashboards), наглядную визуализацию узких (проблемных) мест производства.

«Большие данные» способны оказать самое мощное воздействие на процессы маркетинга и продаж. Например, агрегирование всесторонних данных о поведении потребителей на всех этапах взаимодействия с ними будет иметь существенную ценность не только в глазах разработчиков. Маркетологи и сбытовики также смогут использовать их в своей работе с большой пользой.

Не менее позитивным будет использование в маркетинге и сбыте сайтов сотрудничества в виртуальной среде, улучшенных систем прогнозирования спроса. Кроме того, в маркетинговой и сбытовой деятельности можно использовать новые данные, собираемые на этапе послепродажного обслуживания.

Новые («большие») данные, собираемые на этапе послепродажного обслуживания, позволят значительно улучшить сервис. В частности, практическое использование различных датчиков и многочисленных сигналов обратной связи от потребителей, в том числе в режиме реального времени, сделают обслуживание более оперативным и «отзывчивым». Причем этим дело не ограничится. Использование таких данных способно оказать комплексное, всесторонне воздействие на многие другие элементы цепочки ценности промышленного предприятия (разработку, производство, маркетинг, сбыт), способствуя оперативному выявлению многочисленных недостатков, дефектов, сбоев в работе компании в целом.

Таким образом, освоение технологий «больших данных» должно представлять значительный интерес для промышленных предпри-

46

ятий. Сбор и практическое использование таких данных позволит производственному сектору экономики выйти на новые рубежи качества и производительности.

Организация Объединенных Наций на протяжении ряда лет пропагандирует идею электронного правительства [67], реализация которой трудно вообразима без «больших данных».

Заключение

Итак, разработана теория, найдены и реализованы технические решения, позволяющие эффективно обрабатывать такие массивы и потоки данных, которые еще совсем недавно просто не рассматривались. Там, где сам сбор данных ничего не стоит, создаются захватывающие перспективы. Это относится прежде всего к таким ситуациям, где найдены соответствующие инженерные и технические решения, например при автоматическом считывании штрихкодов. Однако, как это часто бывает, еще не сделаны важные «встречные шаги» со стороны теории измерений [4] и теории управления знаниями [48]. Это потребует больших затрат времени и усилий. И здесь у нашей страны есть шансы принять активное участие, тогда как в остальном мы пока вынуждены следовать «в обозе». «Большие данные» нужны всем, чтобы сделать очередной шаг на бесконечном пути человеческого прогресса.

47

Библиографический список

1.Деминг Э. Выход из кризиса. Новая парадигма управления людьми, системами и процессами / Пер. с англ. М.: Альпина Бизнес Букс, 2007. 370 с.

2.Dantzig T. Number: The Language of Science. 4th ed. N.Y.: Doubleday,­ 1954.

3.Маклюэн М. Галактика Гутенберга: Становление человека печатающего / Пер. с англ. И.О. Тюриной. М.: Академический проект: Фонд «Мир», 2005. 496 с.

4.Адлер Ю. Повторение неповторимого. М.: Стандарты и качество, 2007. 248 с.

5.Лумельский Я.П. Теория корреляции и ее применение к анализу производства. М.: Госстатиздат, 1958. 387 с. (2-е изд. –1961. 375 с.)

6.Ланцош К. Практические методы прикладного анализа: Справ. Руководство / Пер. с англ.; под ред. А.М. Лопшица. М.: Физматгиз, 1961. 524 с.

7.Shewhart W. Economic Control of Quality of Manufactured Product. N.Y.: D. Van Nostrand Co., 1931. 501 p. (Reprint ASQC, 1980).

8.Hoerl R.W., Snee R.D., De Veaux R.D. // Applying statistical thinking to ‘Big Data’ problems. WIREs Computational Statistics. V. 6. July/August 2014. P. 222–232.

9.Сенге П. Пятая дисциплина. Искусство и практика обучающейся организации / Пер. с англ. М.: ЗАО «Олимп-Бизнес», 2009. 448 с.

10.Борхес Х.Л. Письмена Бога. М.: Республика, 1992. 510 с.

11.Прайс Д. Малая наука, большая наука // Наука о науке. Сб. статей / Пер. с англ. М.: Прогресс, 1966. С. 281–384. (Сокр. пер. с оригинала 1963 г.)

12.Налимов В.В., Мульченко З.М. Наукометрия. М.: Наука, 1969.

192 с.

13.Адлер Ю.П., Грановский Ю.В. «Возраст зрелости»: 50 лет методологии и практики планирования эксперимента в России. Saarbrücken: Palmarium Academic, Publishing, 2014. 150 s.

14.Налимов В.В. Диагноз прогнозу // Знание сила. 1972. № 11.

С.26–27.

15.Пифагор. Золотой канон. Фигуры эзотерики. М.: Эксмо, 2004.

448 с.

48

16.Кляус Е.М., Погребысский И.Б., Франкфурт У.И. Паскаль (1623–1662). М.: Наука, 1971. 432 с.

17.Погребысский И.Б. Готфрид Вильгельм Лейбниц (1646–1716). 2-е изд. М.: Наука, 2004. 270 с.

18.Апокин И.А., Майстров Л.Е., Эдлин И.С. Чарльз Бэбидж (1791– 1871). М.: Наука, 1981. 128 с.

19.Menabrea L.F. Sketch of the Analytical Engine, Invented by Ch. Babbage. With Notes upon the memoir by the Translator // Sci. Mem. 1943. V. 3. P. 666.

20.Ceruzzi P.E. A History of Modern Computing. 2nd ed. Cambridge, Massachusetts; L.: The MIT Press, 2003. 445 p.

21.Тьюринг А. Может ли машина мыслить? / Пер. с англ. М.: Физматгиз, 1960.

22.Винер Н. Кибернетика, или управление и связь в животном и машине. М.: Сов. радио, 1958.

23.Шеннон К. Работы по теории информации и кибернетике. М.: Изд-во иностр. лит., 1963. 830 с.

24.Adler Yu. The Statistics: Past, Present, and Future (A New Paradigm in Statistics). 13th Annual ENBIS Conference, Ankara, Turkey. 15–17 September 2013. 24 p.

25.Salsburg D. The Lady Testing Tea: How Statistics Revolutionized Science in the Twentieth Century. N.Y.: W.H. Freeman and Company, 2001. 340 p.

26.Press G.F. Very Short History of Data Science // Forbes. 2013. 28 May. Available at: http://www.forbes.com/sites/gilpress/2013/05/28/ a-very-short-history-of-datascience/ (Accessed January 11, 2014).

27.Anderson C. The end of theory: the data deluge makes the scientific method obsolete // Wired Magazine. 2008. June 23. Available at: www. wired.com/science/discoveries/magazine/16-07/pb_theory (Accessed January 11, 2014).

28.Адлер Ю.П. Введение в планирование эксперимента. М.: Металлургия, 1968. 155 с.

29.Адлер Ю.П. Предпланирование эксперимента. М.: Знание, 1978. 58 с.

30.Tukey J.W. The Future of Data Analysis // Annals of Mathematical Statistics, 1962. № 1. P. 1–67.

31.Тьюки Дж. Анализ результатов наблюдений / Пер. с англ. под ред. В.Ф. Писаренко. М.: Мир, 1981. 693 с.

32.Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия / Пер. с англ. под ред. Ю.П. Адлера. М.: Финансы и статистика, 1982. Вып. 1. 317 с.; Вып. 2. 239 с.

49

33.Клейнен Дж. Статистические методы в имитационном моделировании / М.: Статистика, 1978. Вып. 1. 252 с.; Вып. 2. 368 с.

34.Metropolis N., Ulam S. The Monte Karlo Method // J. of the American Statistical Association. 1949. V. 44. № 247. P. 335–341.

35.Эфрон Б. Нетрадиционные методы многомерного статистического анализа / Пер. с англ. под ред. Ю.П. Адлера. М.: Финансы и статистика, 1988. 263 с.

36.Data Mining with Confidence. Chicago: SPSS, 1999. 234 p.

37.Айвазян С.А., Бухштабер В.М., Енюков И.С. и др. Прикладная статистика: Классификация и снижение размерности / Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. 607 с.

38.Дюк В., Самойленко А. Data mining: учеб. курс. СПб.: Питер, 2001. 368 с.

39.Fisher R.A. Statistical Methods for Research Workers. 6th ed. Edinburg and London: Oliver and Boyd, 1936. 356 p.

40.Zadeh L.A. Fuzzy sets // Information and Control. 1965. V. 8. P. 338–

253.

41.Райфа Г. Анализ решений (введение в проблему выбора в условиях неопределенности) / Пер. с англ. под ред. С.В. Емельянова. М.: Наука. Физматлит, 1977. 408 с.

42.Бомгарт М.М. Проблема узнавания. М.: Наука. Физматлит, 1967. 320 с.

43.Perception-based Data Mining and Decision Making in Econo­ mics and Finance. Batyrshin I., Sheremetov L., Zadeh L. Berlin: Springer, 2007. 383 p.

44.Дюбуа Д., Прад А. Теория возможностей. Приложение к представлению знаний в информатике / Пер. с фр. под ред. С.А. Орловского. М.: Радио и связь, 1990. 288 с.

45.Махлуп Ф. Производство и распространение знаний в США / Пер. с англ. под ред. Е.И. Розенталь. М.: Прогресс, 1966. 462 с.

46.Frické M. The Knowledge Pyramid: A Critique of the DIKW Hierarchy // J.l of Information Science. 2007. V. XX(X). P. 1–13.

47.Нонака И., Такеучи Х. Компания создатель знания. Зарождение развитие инноваций в японских фирмах / Пер. с англ. М.: ЗАО «Олимп-Бизнес», 2003. 384 с.

48.Адлер Ю.П., Черных Е.А. Управление знаниями: новые акценты поиска источников конкурентных преимуществ // Стандарты и качество/ 2002. № 6. С. 48-55.

49.Hoerl R.W., Snee R.D. Statistical Thinking: Improving Business Performance. Duxbury: Thomson Learning, 2002. 526 p.

50