การวิเคราะห์ข้อมูล (Data Analytics) เป็นสิ่งที่หลีกเลี่ยงไม่ได้ในยุคปัจจุบัน และ data ถือเป็นขุมทรัพย์ที่สำคัญในการวิเคราะห์ปัญหาในโรงงาน เพื่อให้เราระบุปัญหาในโรงงานได้เร็ว การวิเคราะห์ข้อมูลถือเป็นกระบวนการที่มีความสำคัญอย่างยิ่งยวด ลองนึกภาพตามแอดนะครับ เราพอจะบอกได้หรือไม่ว่า เครื่องจักรตัวไหนที่มีประสิทธิภาพต่ำในโรงงานของเรา หรือ อุปสรรคการผลิตเกิดปัญหาที่จุดใดบ้าง และ หากวิเคราะห์ข้อมูลแล้ว ลำดับความสำคัญได้หรือไม่ ว่าสิ่งใดควรทำเป็นอันดับแรก ซึ่งทุกอย่างที่แอดกล่าวมาข้างต้น ล้วนแล้วแต่ต้องใช้การวิเคราะห์ข้อมูลทั้งสิ้น
เราสามารถนำการวิเคราะห์ข้อมูลมาใช้ประโยชน์ในด้านใดบ้าง
แอดขอยกตัวอย่างการประยุกต์เอาข้อมูลมาใช้ในโรงงานหลักๆ 4 ข้อด้วยกัน คือ
- วิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพในการผลิต
เราสามารถนำเอาข้อมูลมารวมกับความรู้เชิงวิศวกรรมมาใช้ในการปรับปรุง เช่น ปั๊มที่ออกแบบได้ใช้งานในจุดที่เป็น Best efficiency point (จุดที่ดีที่สุดในการใช้งาน) หรือไม่ , จุดใดที่เป็นคอขวดในการผลิต , จุดใดที่ต้นทุนการผลิตมีค่าใช้จ่ายสูงจากเดิมแบบผิดปกติ
- ปรับปรุงคุณภาพผลิตภัณฑ์
การวิเคราะห์ข้อมูลสามารถบอกได้ว่าปัจจัยใดที่มีผลต่อคุณภาพของผลิตภัณฑ์ เช่น อุณหภูมิสูงเกินไป ส่งผลต่อคุณภาพหรือไม่ ความดันสูงเกินไปส่ง ผลต่อ ความหนาบางของชิ้นงานหรือไม่ หรือลูกค้ารู้สึกอย่างไรกับผลิตภัณฑ์ของเรา เป็นต้น
- ลดต้นทุน
เราสามารถใช้การวิเคราะห์ข้อมูลในการหา Loss (ความสูญเสีย) ของโรงงานได้ เช่น มีไอน้ำรั่วที่จุดใดหรือไม่ , หน่วยการผลิตไหนที่ใช้ค่าไฟฟ้าสูงกว่าเดิมอย่างผิดปกติ , ชิ้นส่วนใดที่เบิกอะไหล่ในงานซ่อมบำรุงบ่อยที่สุด เป็นต้น
- การตัดสินใจที่แม่นยำขึ้น
การตัดสินใจที่ดีควรมีรากฐานจาก Fact and data ซึ่ง data เป็นตัวบ่งชี้ที่มีน้ำหนักมากกว่าการใช้ความรู้สึกในการตัดสินใจ นอกเหนือจากนี้เราสามารถทวนสอบกลับถึงแหล่งที่มาของ Data และเราใช้วิธีการใดในการวิเคราะห์ และวิธีการนั้นเหมาะสมหรือไม่
การวิเคราะห์ข้อมูลแบ่งได้กี่ประเภท
- การวิเคราะห์เชิงพรรณนา (Descriptive Analytics)
ช่วยให้เข้าใจว่าเกิดอะไรขึ้นในกระบวนการผลิตโดยอาศัยค่าทางสถิติมาใช้ เช่น ความเบี่ยงเบนมาตรฐาน , ค่าเฉลี่ยต่างๆ , ค่ามากสุด , ค่าน้อยสุด และยังสามารถนำเอาค่าต่างๆมาเป็นรายงานและแสดงผลเป็น Dashboard ได้
2. การวิเคราะห์เชิงวินิจฉัย (Diagnostic Analytics):
ช่วยค้นหาสาเหตุของปัญหาที่เกิดขึ้น เช่น เหตุใดเครื่องจักรถึงหยุดทำงาน หรือสามารถใช้การวิเคราะห์ข้อมูลจากอดีตเพื่อหาความสัมพันธ์กับตัวแปรบางอย่างที่เกิดขึ้น เช่น ถ้าเราเพิ่มอุณหภูมิแล้วจะส่งผลต่อการเพิ่มขึ้นของความดันหรือไม่
3. การวิเคราะห์เชิงพยากรณ์ (Predictive Analytics):
ใช้ในการทำนายผลลัพธ์ซึ่งในปัจจุบันที่นิยมใช้กันมาก คือ Machine Learning (ML) และโมเดลสถิติในการวิเคราะห์ ยกตัวอย่าง ถ้าเราเพิ่มอุณหภูมิ 10 องศาเซลเซียส แล้วความดันจะเพิ่มขึ้นเท่าไร ซึ่ง Model ที่นิยมในการใช้งานมีดังต่อไปนี้
3.1 Regression model เช่น Linear regression , Multi-variable regression , Logistic-regression
3.2 Gradient boosting เช่น XGBoost , Adaboost เป็นต้น
3.3 Time-Series เช่น ARIMA, Spectral Analysis เป็นต้น
หมายเหตุ : บางท่านอาจเคยได้ยิน Prescriptive Analytics หรือการวิเคราะห์เชิงแนะนำ เป็นการใช้ optimized model หรือ ใช้ AI มาช่วยวิเคราะห์โดยดูจากหากสมมติฐานเปลี่ยนไปจะเกิดผลอะไรบ้าง ซึ่งในส่วนนี้แอดเห็นว่ามีความคล้ายคลึงกันกับพยากรณ์แอดจึงขอละไว้ครับ
ความท้าทายในการนำ Data Analytics มาใช้
- การจัดการข้อมูลและจัดเก็บข้อมูล
โรงงานต้องมีโครงสร้างพื้นฐานทาง IT ที่สามารถรองรับข้อมูลจำนวนมหาศาลซึ่งนั่นหมายถึงระบบ Utility ที่เกี่ยวของด้วย เช่น พื้นที่ตั้ง Server , ระบบปรับอากาศ , ระบบไฟฟ้าที่รองรับ , ระบบเครื่อข่ายการสื่อสาร , บางโรงงานพิจารณาการตั้ง Server แบบ Redundant เพื่อลดโอกาสในการสูญหาญของข้อมูลหากมีภัยพิบัติเกิดขึ้น
- ความปลอดภัยของข้อมูล
การป้องกันข้อมูลจากการถูกโจมตีทางไซเบอร์ ข้อมูลการผลิตของโรงงานจะต้องเป็นความลับ หรือต้องกำหนดสิทธิ์การเข้าถึงของข้อมูล เพื่อมิให้บุคคลอื่นอันไม่พึงประสงค์เข้าถึง ซึ่งระบบโครงข่ายส่วนใหญ่ที่ใช้ในโรงงานจะอาศัยระบบ internet เป็นหลัก
- การขาดทักษะและความรู้
บุคลากรต้องมีความรู้ในการวิเคราะห์ข้อมูลและการใช้งานเครื่องมือ หลักการทางสถิติศาสตร์ และวิศวกรรม บางครั้งอาจจำเป็นที่ต้องเขียน Code เพื่อทดสอบสมมติฐานหรือแสดงผลเป็นกราฟที่สามารถสื่อสารให้ผู้อื่นรับทราบ
- ต้นทุนเริ่มต้นสูง
หากไม่มีตัวเก็บข้อมูลมาก่อนก็ต้องลงทุนในการติด Sensor และ ระบบจัดเก็บข้อมูลเพิ่มเติม รวมทั้ง Software ที่เกี่ยวข้อง เช่น ระบบปฏิบัติการ, ระบบ anti-virus , ระบบ Database , ซึ่งเป็นเงินมหาศาล หรือไม่เราอาจต้องใช้ข้อมูลจาก Third party มาวิเคราะห์หรือเอามาพัฒนาต่อ เช่น QA/QC check sheet ซึ่งต้องอาศัยคนหรือเครื่องมือในการสกัดข้อมูล
Data Analytics เป็นเครื่องมือที่ทรงพลังสำหรับการปรับปรุงกระบวนการผลิตในโรงงาน เทคโนโลยีนี้ช่วยเพิ่มประสิทธิภาพ ลดต้นทุน และปรับปรุงคุณภาพผลิตภัณฑ์ การวางแผนและการลงทุนในเทคโนโลยีการวิเคราะห์ข้อมูลที่เหมาะสมจะเป็นกุญแจสำคัญในการพัฒนาโรงงานสู่ความเป็นเลิศในยุคดิจิทัล
