Migliora l'efficienza operativa e le prestazioni dei servizi finanziari

Migliora output, qualità e sostenibilità con l'analisi avanzata

Per il settore manifatturiero, l'uso di dati per migliorare l'efficienza operativa e le prestazioni è particolarmente rilevante in quanto il caso d'uso può essere applicato a qualsiasi tipo di sistema di produzione manifatturiera, tra cui l'infrastruttura di controllo numerico informatizzata, i sistemi di supply chain e warehouse, la logistica e i sistemi di test e così via.

Sebbene i produttori si siano concentrati tradizionalmente su metriche descrittive e di diagnosi storiche, stanno iniziando a utilizzare l'analisi avanzata, l'apprendimento automatico e la data science per misurare i miglioramenti nelle prestazioni e sviluppare suggerimenti proattivi, predittivi e prescrittivi.

Questo caso d'uso è incentrato sull'architettura della piattaforma dati necessaria per includere, memorizzare, gestire e ottenere informazioni approfondite dai dati prodotti dai sistemi di esecuzione della produzione (MES), dai sistemi di gestione del warehouse (WHMS), dai sistemi di gestione della manutenzione computerizzata (CMMS) e dai sistemi di manutenzione per misurare l'efficienza operativa di apparecchiature, linee e impianti, nonché le metriche delle prestazioni.

Attraverso l'inserimento, la cura e l'analisi dei dati relativi a processi e prestazioni di produzione, i produttori possono identificare ed eliminare colli di bottiglia e inefficienze per ottimizzare i programmi di produzione e aumentare l'output. Applicando lo stesso approccio ai dati sulla qualità dei prodotti, i produttori possono identificare i modelli e le cause profonde dei difetti per implementare misure di controllo della qualità più efficaci. Inoltre, includendo dati sul consumo energetico, i produttori possono identificare le aree in cui promuovere l'efficienza energetica per ridurre i costi e migliorare la sostenibilità.

Ottimizza la manutenzione predittiva e riduci i costi con una piattaforma dati completa

L'architettura illustrata qui dimostra come abbinare i componenti Oracle per creare un'architettura di analisi che copra l'intero ciclo di vita dell'analisi dei dati, dall'esplorazione all'azione alla misurazione, offre una vasta gamma di vantaggi aziendali descritti in precedenza.

Questa immagine mostra in che modo utilizzare Oracle Data Platform for Manufacturing per promuovere efficienza e prestazioni. La piattaforma include i seguenti cinque pilastri:

1. 1. Data Sources, Discovery
2. 2. Ingestione, trasformazione
3. 3. Persist, Curate, Create
4. 4. Analyze, Learn, Predict
5. 5. Measure, Act

Il pillar Data Sources, Discovery include due categorie di dati.

1. 1. I dati dell'applicazione Oracle comprendono dati provenienti da Fusion SaaS, Oracle E-Business Suite, CX
2. 2. Record aziendali (dati proprietari) CRM, transazioni, informazioni conto, ricavi e margine
3. 3. I dati di terze parti comprendono tassi Forex, feed di mercato e prezzi delle materie prime

Il pillar Ingest, Transform comprende tre funzionalità.

1. 1. Batch ingestion utilizza OCI Data Integration, Oracle Integration Cloud e strumenti DB.
2. 1. Il trasferimento in blocco usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. L'acquisizione dei dati di modifica utilizza OCI GoldenGate.
4. 4. Streaming ingest utilizza OCI Streaming Kafka Connect.

Tutte e quattro le funzionalità si connettono in modo unidirezionale all'interno del data store e nello storage cloud nel pillar Persist, Curate, Create.

Inoltre, l'inserimento dello streaming è connesso all'elaborazione dei flussi all'interno del pillar Analyze, Learn, Predicti.

Il pillar Persist, Curate, Create comprende cinque funzionalità.

1. 1. Il data store preposto utilizza Oracle Autonomous Data Warehouse ed Exadata Cloud Service.
2. 3. Cloud Storage utilizza OCI object storage.
3. 3. Managed Hadoop utilizza Oracle Big Data Service
4. 4. L'elaborazione batch utilizza il flusso dati OCI.
5. 5. Governance utilizza il catalogo dati OCI.

Queste funzionalità sono connesse all'interno del pillar. Lo storage cloud è connesso in modo unidirezionale al data store di servizio e, inoltre, è connesso in modo bidirezionale all'elaborazione in batch.

Due funzionalità si connettono al pillar Analyze, Learn, Predict. Il data store di servizio si connette sia alla funzionalità di analisi e visualizzazione, sia ai prodotti dati, funzionalità API. Lo storage cloud si connette alla funzionalità di apprendimento automatico.

Il pillar Analyze, Learn, Predict comprende due funzionalità.

1. 1. Analitycs e visualizzazione utilizzano Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Il machine learning utilizza Oracle Machine Learning.

Il pillar Measure, Act acquisisce il modo in cui può essere utilizzata l’analisi dei dati: da persone e partner.

People and Partner comprende l'efficienza operativa (tempi di elaborazione, tassi di errore, utilizzo delle risorse), l'identificazione dei punti critici del processo, il ciclo di vita del cliente, l'analisi del mercato e della concorrenza, l'attribuzione delle prestazioni.

I tre pillar centrali: Ingest, Transform; Persist, Curate, Create; and Analyze, Learn, Predict sono supportati dall'infrastruttura, dalla rete, dalla sicurezza e da IAM.

Connetti, includi e trasforma i dati

La nostra soluzione è composta da tre pillar, ognuno dei quali supporta funzionalità specifiche della piattaforma dati. Il primo pillar offre la possibilità di connettere, ingerire e trasformare i dati.

Esistono quattro modi principali per inserire i dati in un'architettura e consentire alle organizzazioni di produzione di migliorare l'efficienza operativa e le prestazioni.

• Per avviare il nostro processo, abiliteremo il trasferimento di massa dei dati operativi delle transazioni. I servizi di trasferimento di massa vengono utilizzati nei casi in cui per la prima volta è necessario spostare grandi volumi di dati in Oracle Cloud Infrastructure (OCI), ad esempio i dati provenienti da repository analitici on premise esistenti o da altre origini cloud. Il servizio specifico di trasferimento di massa che utilizzeremo dipenderà dalla posizione dei dati e dalla frequenza di trasferimento. Ad esempio, possiamo utilizzare OCI Data Transfer service o OCI Data Transfer Appliance per caricare un grande volume di dati on-premise da repository di pianificazione storica o data warehouse. Quando è necessario spostare su base continuativa grandi volumi di dati, si consiglia di utilizzare OCI FastConnect, che fornisce una connessione di rete privata dedicata a larghezza di banda elevata tra il data center di un cliente e OCI.
• Le estrazioni frequenti in tempo reale o quasi in tempo reale sono in genere necessarie e i dati vengono regolarmente inseriti nei sistemi di gestione del magazzino, pianificazione e gestione degli ordini utilizzando OCI GoldenGate. OCI GoldenGate utilizza l'acquisizione change data per rilevare modifiche nella struttura di base dei sistemi che devono essere serviti (ad esempio, l'aggiunta di un nuovo componente, le operazioni di manutenzione completate, le modifiche meteorologiche e così via) e invia i dati in tempo reale a un livello di persistenza e/o al livello di streaming.
• Per le aziende manifatturiere, l'analisi dei dati in tempo reale da più fonti può contribuire a fornire preziose informazioni sull'efficienza operativa e sulle prestazioni complessive. In questo caso d'uso utilizziamo lo streaming ingest per includere tutti i dati letti dai sensori tramite IoT, le comunicazioni da computer a computer e altri mezzi. La capacità di acquisire e analizzare i flussi di dati in tempo reale è fondamentale per la capacità di un produttore di eseguire la manutenzione predittiva degli asset. I flussi possono provenire da diversi sistemi ISA-95 Level 2, come il controllo di supervisione e l'acquisizione dei dati (SCADA), i controlli logici programmabili e i sistemi di automazione batch. I dati (eventi) verranno inclusi e alcune trasformazioni/aggregazioni di base verranno eseguite prima che vengano memorizzati in OCI Object Storage. È possibile utilizzare ulteriori funzionalità di analisi in streaming per identificare gli eventi correlati e qualsiasi pattern identificato può essere riutilizzato (manualmente) per un esame dei dati grezzi tramite OCI Data Science.
• Per analizzare questi dati in streaming ad alta frequenza in tempo reale, useremo l'streaming processing per fornire l'analisi avanzata. Mentre gli strumenti di analisi tradizionali estraggono le informazioni dai dati in archivio, l'analisi in streaming valuta il valore dei dati in movimento, ovvero in tempo reale. E questo non è l'unico vantaggio. Poiché l'analisi in streaming può essere altamente automatizzata, può aiutare i produttori a ridurre i costi operativi. Ad esempio, l'analisi in streaming può fornire dati in tempo reale sui costi di base delle utility, quali elettricità e acqua. Stabilimenti e impianti possono quindi utilizzare uno strumento di analisi automatica di streaming per accedere a informazioni dettagliate immediate relative alle aree che potrebbero essere ottimizzate per ridurre i costi energetici e reagire in modo appropriato a determinati eventi operativi utilizzando l'intelligenza artificiale. L'analisi dei dati in streaming può anche fare previsioni in tempo reale sui futuri requisiti di manutenzione delle apparecchiature, aiutando le aziende a prepararsi in anticipo per qualsiasi riparazione o manutenzione di routine imminente.
• Sebbene le esigenze in tempo reale si evolvano, l'estrazione più comune da sistemi ERP, di pianificazione, di gestione del magazzino e di gestione del trasporto è un tipo di batch ingestion mediante un processo ETL. L'ingestion batch viene utilizzata per importare dati da sistemi che non supportano lo streaming dei dati (ad esempio, sistemi SCADA precedenti o di gestione della manutenzione). Queste estrazioni possono essere inserite di frequente, spesso ogni 10 o 15 minuti, ma sono ancora in natura batch poiché vengono estratti ed elaborati gruppi di transazioni piuttosto che singole transazioni. OCI offre servizi diversi per gestire la batch ingestion, ad esempio il servizio OCI Data Integration e Oracle Data Integrator in esecuzione su OCI Compute instance. La scelta del servizio si baserebbe principalmente sulle preferenze dei clienti piuttosto che sui requisiti tecnici.

Sii persistente, elabora e cura i dati

La persistenza e l'elaborazione dei dati si basano su tre componenti (facoltativamente quattro). Alcuni clienti li useranno tutti, altri un sottoinsieme. A seconda dei volumi e dei tipi di dati, è possibile caricare i dati nell'object storagei o caricarli direttamente in un database relazionale strutturato per lo storage persistente. Quando si prevede di applicare le funzionalità di data science, i dati recuperati dalle sorgente di dati nel formato raw (come file nativo non elaborato o estrazione) vengono in genere acquisiti e caricati dai sistemi transazionali nello storage cloud.

• Lo storage cloud è il livello di persistenza dei dati più comune per la nostra piattaforma dati. Può essere utilizzato per dati strutturati e non strutturati. OCI Object Storage, OCI Data Flow e Oracle Autonomous Data Warehouse sono i componenti di base. I dati recuperati dalle sorgenti di dati nel relativo formato non elaborato vengono acquisiti e caricati OCI Object Storage. OCI Object Storage è il livello di persistenza dei dati primario e Spark in OCI Data Flow è il motore di elaborazione batch primario. L'elaborazione batch coinvolge diverse attività, tra cui il trattamento del rumore di base, la gestione dei dati mancanti e i filtri in base a set di dati in uscita definiti. I risultati vengono scritti di nuovo in vari livelli di object storage o in un repository relazionale persistente basato sull'elaborazione necessaria e sui tipi di dati utilizzati.
• L'uso di Oracle Big Data Service per Hadoop (Hadoop gestito) rappresenta un'alternativa alla configurazione di OCI Object Storage e OCI Data Flow. Le due configurazioni possono anche essere potenzialmente utilizzate in combinazione a seconda del cliente e dell'esistenza di investimenti nell'ecosistema Hadoop, dal punto di vista del prodotto o delle competenze. I clienti che già utilizzano l'object storage in Hadoop, anziché Hadoop Distributed File System, possono eseguire la transizione di questa configurazione con Oracle Big Data Service. Anche altri componenti dell'ambiente Hadoop, ad esempio Hive, possono entrare in gioco e promuovere l'uso di Big Data Service a seconda degli strumenti di visualizzazione e data science utilizzati o che il cliente intende utilizzare. Sebbene questa architettura descriva tutti i servizi forniti da Oracle, i clienti possono scegliere di continuare a utilizzare alcuni dei componenti esistenti, in particolare gli strumenti di visualizzazione e data science che hanno già a disposizione.
• Ora utilizzeremo un serving data store per rendere persistenti i nostri dati curati in un form ottimizzato per le query. Il data store di servizio fornisce un livello relazionale persistente utilizzato per fornire dati curati di alta qualità direttamente agli utenti finali tramite strumenti basati su SQL. In questa soluzione, viene creata un'istanza di Oracle Autonomous Data Warehouse come data store di servizio per il data warehouse aziendale e, se necessario, data mart a livello di dominio più specializzati. Può anche essere la fonte di dati per i progetti di data science o il repository necessario per Oracle Machine Learning. Il data store di servizio può assumere una delle varie forme, tra cui Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service o Oracle Exadata Cloud@Customer.

Analizza i dati, prevedi e agisci

La capacità di analizzare, prevedere e agire è facilitata da tre approcci tecnologici.

• Le funzionalità di analisi avanzata sono fondamentali per la manutenzione e l'ottimizzazione delle prestazioni. In questo caso d'uso, ci affidiamo a Oracle Analytics Cloud per offrire analisi e visualizzazioni. Questo consente alle organizzazioni di usare analisi descrittive (per descrivere le tendenze attuali con istogrammi e grafici), anaisi predittive (per prevedere eventi futuri, identificare le tendenze e determinare la probabilità di esiti incerti) e analisi prescrittive (per creare azioni appropriate a supporto di un processo decisionale ottimale).
• Oltre all'analisi avanzata, sempre più spesso vengono utilizzati data science, machine learning e intelligenza artificiale per cercare anomalie, prevedere dove potrebbero verificarsi i guasti e ottimizzare il processo di sourcing. OCI Data Science, OCI AI Services o Oracle Machine Learning possono essere utilizzati nei database. Utilizziamo i metodi di apprendimento automatico e data science per creare e formare i nostri modelli di manutenzione predittiva. Questi modelli di apprendimento automatico possono quindi essere distribuiti per il punteggio tramite le API o integrati nell'ambito della pipeline di analisi dei flussi GoldenGate OCI. In alcuni casi, questi modelli possono anche essere distribuiti nel database utilizzando l'API REST di Oracle Machine Learning Services (a tale scopo, il modello deve essere nel formato Open Neural Network Exchange). Inoltre, OCI Data Science per i notebook basati su Jupyter/Python o Oracle Machine Learning per i notebook Zeppelin e gli algoritmi di apprendimento automatico possono essere distribuiti all'interno del data store di servizio o transazionale. Analogamente, Oracle Machine Learning e OCI Data Science, da soli o in combinazione, possono sviluppare modelli di raccomandazione/decisione. Questi modelli possono essere distribuiti sotto forma di servizio, anche dietro il gateway API OCI, per essere rilasciati come "prodotti dati" e servizi. Infine, una volta creati, i modelli di apprendimento automatico possono essere distribuiti in applicazioni che fanno parte di un sistema di controllo distribuito (se consentito) o distribuiti ai margini tramite un dispositivo Oracle Roving Edge o simili.

I molteplici modelli creati combinando data science e i pattern identificati dal machine learning possono essere applicati ai sistemi di risposta e decisione forniti dai servizi di IA.

• OCI Anomaly Detection può aiutare a monitorare le metriche delle prestazioni della supply chain (ad esempio, l'inventario delle materie prime, il throughput della produzione, il work in progress, i tempi di transito, l'avvicendamento del magazzino e così via) in tempo reale per identificare e risolvere le interruzioni dell'attività. In una catena di fornitura complessa, il punteggio di gravità delle anomalie identificate può aiutare a dare priorità alle interruzioni aziendali osservate per quell'azione.
• OCI Forecasting può aiutare a prevedere le metriche della catena di fornitura, come la domanda, la fornitura e la capacità delle risorse, in modo da poter intraprendere azioni appropriate per prepararsi in anticipo.
• OCI Vision e OCI Language possono aiutare a comprendere documenti, come report sulla qualità del prodotto in uscita e report sui difetti del prodotto, per arricchire i dati della catena di fornitura.

Il componente finale è la governance dei dati. Verrà fornito da OCI Data Catalog, un servizio gratuito che offre gestione della data governance e dei metadati (per metadati tecnici e aziendali) per tutte le fonti di dati nell'ecosistema della piattaforma dati. OCI Data Catalog è anche un componente fondamentale per le query da Oracle Autonomous Data Warehouse a OCI Object Storage in quanto fornisce un modo per individuare rapidamente i dati indipendentemente dal relativo metodo di storage. Ciò consente agli utenti finali, agli sviluppatori e ai data scientist di utilizzare un linguaggio di accesso comune (SQL) in tutti i data store persistenti nell'architettura.

I vantaggi derivanti dall'uso dei dati per migliorare l'efficienza operativa e le prestazioni

Man mano che la velocità del business e il livello di concorrenza aumentano, i sistemi legacy utilizzati per fornire dati operativi critici non riescono a tenere il passo. Questi sistemi hanno bisogno di un notevole intervento manuale per raccogliere, integrare e creare report da dati frammentati e silos e ciò significa che le informazioni arrivano troppo tardi per offrire al business il vantaggio di cui ha bisogno.

Per ottimizzare le attività operative di produzione, è estremamente importante sfruttare al meglio le risorse. Ogni minuto trascorso a creare i prodotti sbagliati o i prodotti giusti ma in modo inefficiente non solo aumentano i costi e gli sprechi, ma ti impedisce anche di offrire ciò di cui i tuoi clienti hanno bisogno. L'ottimizzazione delle operazioni e il miglioramento delle prestazioni possono apportare numerosi vantaggi ai produttori, tra cui:

• Maggiore efficienza, riduzione dei tempi e dei costi di produzione, aumento della produzione e miglioramento della produttività
• Meno difetti, miglioramento della qualità dei prodotti e maggiore soddisfazione dei clienti
• La rapida individuazione dei pericoli e dei rischi per la sicurezza, che porta a migliorare le pratiche di sicurezza e a ridurre gli incidenti sul luogo di lavoro
• Meno sprechi, miglioramento dell'efficienza della catena di fornitura e ottimizzazione dei livelli di magazzino
• Migliore capacità di competere su prezzi, qualità e innovazione, offrendo alle aziende un vantaggio competitivo nei loro mercati di riferimento
• Miglioramento della sostenibilità attraverso la riduzione dei rifiuti, l'aumento dell'efficienza energetica e la riduzione al minimo dell'impatto ambientale dei processi di produzione