Ostravský výrobce automobilových kol nepostavil svou datovou analytiku jako IT projekt. Vznikala postupně, z konkrétních provozních problémů, a často nad zařízeními, která jsou v provozu déle, než se vůbec začalo mluvit o průmyslu 4.0. Co se v závodě naučili o tom, kdy data skutečně mění rozhodování.

Ještě před několika lety stála většina rozhodnutí ve strojírenské výrobě na zkušenosti lidí. Mistr věděl, která linka zlobí. Technolog tušil příčinu zmetkovitosti. Vedoucí výroby dokázal odhadnout, kde je největší problém. Intuice a dlouholetá praxe byly nenahraditelným nástrojem řízení.

Dnešní výrobní prostředí je ale výrazně složitější. Tlak na produktivitu, kvalitu, flexibilitu i cenu roste a rozhodnutí, která dřív stačilo opřít o zkušenost, musí být stále častěji podložena daty.

V ostravském závodě Maxion Wheels Czech si tuto změnu připustili poměrně brzy. Provoz každý den generuje velké množství informací: výrobní zařízení hlásí výkon a prostoje, systémy kvality evidují zmetkovitost, údržba zaznamenává poruchy, podnikové databáze obsahují tisíce údajů o výrobě, logistice i materiálu. Otázka, kterou si podle firmy kladli opakovaně, zněla jinak: kolik z těchto dat se skutečně používá k rozhodování.

Ukázalo se, že samotná existence dat ještě neznamená jejich využití. Největší překážkou bývá paradoxně právě množství dostupných informací. Každý útvar pracuje s vlastními přehledy, vlastními ukazateli a vlastní interpretací reality. Výroba sleduje výkon linek, kvalita zmetkovitost, údržba poruchy, management ekonomické výsledky. Všechny tyto pohledy popisují stejný proces, ale často různými jazyky.

Prvním krokem k datově řízenému rozhodování proto v Ostravě nebyl nákup softwaru ani nasazení nové technologie, ale vytvoření společného pohledu na data. Cílem nebylo postavit další reporting, ale prostředí, ve kterém operátor, mistr, technolog, vedoucí výroby i management vidí stejnou realitu a rozhodují na základě stejných faktů.

Snímek s vypnutou (vlevo) a se zapnutou (vpravo) funkcí SuperIR

Digitalizace nezačíná nákupem nového stroje

Když se dnes mluví o průmyslu 4.0, obvyklou ilustrací je nová automatizovaná linka s desítkami senzorů a cloudovou konektivitou. Vzniká tak dojem, že moderní práce s daty je dostupná jen podnikům, které investují miliony do nových technologií.

Realita většiny výrobních závodů je jiná. Také v Ostravě pracují vedle nejmodernějších zařízení stroje instalované dlouho předtím, než se začalo mluvit o digitalizaci nebo internetu věcí. Tato technika stále vytváří významnou část hodnoty podniku a její výměna by často nedávala ekonomický smysl. Dlouho proto panovalo přesvědčení, že podrobná analýza výroby bude možná jen na nejnovějších strojích.

Praxe podle firmy ukázala něco jiného. Rozhodující není množství dat, která zařízení poskytuje, ale schopnost správně položit otázku. Pro zlepšování procesu obvykle stačí vědět, kdy zařízení vyrábí, kdy stojí, jak dlouho, z jaké příčiny a jaký má odstávka dopad na výkon, kvalitu nebo náklady. Právě tento přístup umožnil zapojit do datového ekosystému i starší technologie bez rozsáhlých investic.

Od desítek tabulek k jedinému zdroji dat

Dnešní podoba reportingu může působit jako jeden promyšlený systém postavený podle předem připraveného plánu. Cesta k němu byla přirozenější a pro výrobní podniky typická.

Na začátku byly jednotlivé tabulky, exporty a přehledy vytvářené pro konkrétní potřeby. Výroba sledovala výkon linek, kvalita zmetkovitost, údržba hledala způsob, jak lépe vyhodnocovat poruchy. Každý požadavek dával smysl sám o sobě, jenže postupně vznikly desítky souborů uložených na různých místech sítě, s vlastními výpočty a vlastní interpretací výsledků. Zdrojová data bylo nutné aktualizovat na několika místech a pokaždé v jiném formátu, kontrolovat tisíce provázaných vzorců. Jakmile příprava přehledu trvala několik hodin nebo dní, byla data v okamžiku prezentace zastaralá.

Skutečným problémem nebyl nedostatek informací, ale neschopnost najít mezi nimi souvislosti. Zvýšená zmetkovitost přitom často souvisela s poruchovostí konkrétního zařízení, prostoje ovlivňovaly produktivitu, kvalita měla přímý dopad na celkovou efektivitu zařízení (OEE), spotřeba materiálu souvisela s nastavením technologických procesů i s organizací práce. Dokud byly informace oddělené, tyto vazby zůstávaly skryté.

Postupně tak vznikla datová architektura propojující výrobní data, ukazatele kvality, evidenci prostojů a poruch, logistiku, ekonomické ukazatele i výsledky zlepšovacích aktivit. Připravuje se napojení dalších zdrojů, mimo jiné výsledků životnostních zkoušek, laboratorních testů a měření rozměrových a geometrických vlastností kol, jako je házení nebo souosost. Podstatné podle firmy je, že systém nevznikal jako IT projekt, ale jako nástroj k řešení konkrétních provozních problémů.

OEE jako diagnóza, ne jako cíl

Zkratka OEE se u výrobních manažerů obvykle spojí s jediným procentem. Podle zkušenosti z Ostravy je ale nejcennější to, co se za tím číslem skrývá.

Pokud OEE klesne o několik procentních bodů, neznamená to problém s OEE. Znamená to, že někde v systému vznikla ztráta. Může za ní stát delší přestavba, nestabilní kvalita, organizace výroby nebo nedostupnost zařízení. OEE tedy funguje spíš jako diagnostický nástroj než jako cíl sám o sobě. Na výrobních poradách se proto ukazuje jako plodnější diskuse o tom, proč se ukazatel změnil, než o jeho výsledné hodnotě. Data se v tu chvíli stávají společným jazykem výroby, technologie, kvality a údržby. Místo hledání viníka se hledá příčina.

Když prostoje začnou vyprávět příběh

Prostoje eviduje každý výrobní podnik, jejich struktuře ale rozumí málokterý. Na první pohled bývá největším problémem dlouhá porucha zařízení. Podrobnější analýza často ukáže něco jiného: řada krátkých přerušení, z nichž žádné nevyniká, dokáže v součtu způsobit větší ztrátu než jedna velká odstávka.

V Ostravě proto začali sledovat nejen délku prostojů, ale i jejich četnost. Ukázalo se, že některé problémy nejsou závažné svým trváním, ale frekvencí opakování. Tento pohled změnil priority zlepšovacích projektů: místo nejviditelnějších problémů se řeší ty s největším celkovým dopadem.

Stejný posun proběhl v údržbě. Dřív se poruchovost hodnotila hlavně podle zkušeností techniků, kteří věděli, která zařízení vyžadují největší pozornost. S rostoucím objemem výroby přestala intuice stačit. Dnes jsou k dispozici údaje o četnosti poruch, délce oprav, nákladech i o ukazatelích MTTR (střední doba opravy) a MTBF (střední doba mezi poruchami), takže lze jednotlivá zařízení porovnávat objektivně. Zajímavý bývá rozdíl mezi vnímáním a skutečností: nápadné poruchy si zaměstnanci dobře pamatují, zatímco drobné a často opakované problémy zůstávají nepovšimnuté, přestože vytvářejí vyšší ztráty.

Pareto vad jako argument i pro dodavatele

V automobilovém průmyslu není kvalita jen technickým požadavkem, ale podmínkou dlouhodobé konkurenceschopnosti. Sledovat pouze celkovou hodnotu zmetkovitosti je přitom svůdné a málo užitečné. Skutečné poznání přichází až s analýzou jednotlivých vad.

Paretovy analýzy obvykle ukazují, že rozhodující část neshod tvoří několik málo kategorií. Místo desítek drobných opatření tak vznikají projekty zaměřené na dominantní příčiny. Praktický přínos se podle firmy projevuje i v jednání s dodavateli: možnost ukázat Paretův diagram vad způsobených dodaným materiálem a vedle něj odpovídající finanční dopad mění charakter celé diskuse.

Správná informace správnému člověku

Kvalitní report sám o sobě nestačí. Rozhodující je, aby se správná informace dostala ke správnému člověku ve správný čas. Mistr potřebuje jiný pohled než procesní technolog, technolog jiný než vedoucí provozu a vedení závodu jinou úroveň detailu než člen představenstva.

S rostoucím množstvím dat proto vznikl systém automatického reportingu, který distribuuje informace podle jednotlivých rolí. Část výstupů slouží dennímu operativnímu řízení, další podklady pro týdenní výrobní porady, jiné pro měsíční hodnocení výkonnosti provozů. Vedlejším, ale podstatným efektem je úspora administrativní práce. Specialisté nemusí trávit hodiny přípravou prezentací a mohou se věnovat vlastní analýze a zlepšování.

Změna, kterou nezměří žádné KPI

Největší přínos ale podle firmy nespočívá v dashboardech ani v použité technologii. Projevuje se ve způsobu, jakým se uvnitř organizace komunikuje. Ve chvíli, kdy jsou data snadno dostupná a všeobecně důvěryhodná, ubývá diskusí o tom, zda problém existuje, a přibývá času na hledání řešení. Méně energie se spotřebuje na obhajování názorů, více na práci s fakty.

Právě v tom vidí v Maxion Wheels podstatu moderní operational excellence: ve schopnosti proměnit data ve znalosti, znalosti v rozhodnutí a rozhodnutí v měřitelné zlepšení výkonnosti

Autor: Martin Kubík, Matěj Ohanka