1 lutego 2024 Marcin Orocz

Dlaczego producenci potrzebują etapowego podejścia do transformacji cyfrowej

MITSloan | Why Manufacturers Need a Phased Approach to Digital Transformation

Autorzy Nitin Joglekar, Geoffrey Parker i Jagjit Singh Srai, w swoim artykule z 31 stycznia 2024 roku, omawiają znaczenie etapowego podejścia do transformacji cyfrowej w produkcji, opublikowanego na łamach MIT Sloan Management Review „Why Manufacturers Need a Phased Approach to Digital Transformation”.

Bazując na badaniach obejmujących wywiady z ponad 50 liderami branży produkcyjnej, dostawcami usług i akademikami z całego świata, w tym z takich firm jak Ralph Lauren, Schneider Electric i Unilever, autorzy zauważają, że transformacja cyfrowa w produkcji jest często postrzegana jako jednolity proces mierzony pojedynczym wskaźnikiem – zwrotem z inwestycji (ROI). Jednak taka perspektywa nie oddaje złożoności inwestowania i opanowywania nowych technologii operacyjnych (OT), przekwalifikowywania pracowników, synchronizacji umiejętności z infrastrukturą zewnętrznych partnerów łańcucha dostaw oraz stworzenia nowych ekosystemów cyfrowych dla partnerów i klientów.

Trzy etapy transformacji cyfrowej w produkcji, według autorów, obejmują:

  1. Etap 1: Zwiększanie efektywności – skupia się na lokalnych rozwiązaniach technologicznych mających na celu obniżenie kosztów i zwiększenie produktywności. Kluczowe wskaźniki wydajności (KPI) na tym etapie to między innymi obniżone koszty, szybsze okresy zwrotu, wyższa jakość i wydajność oraz zwiększone przychody.
  2. Etap 2: Budowanie nowych cyfrowych zdolności – polega na rozwijaniu wewnętrznej infrastruktury cyfrowej i umiejętności, niezbędnych dla dalszej cyfrowej transformacji. Wskaźniki na tym etapie obejmują czas potrzebny na stworzenie nowej zdolności, efektywność i stopień adopcji nowych lub ulepszonych systemowych zdolności oraz liczbę powiązanych aplikacji i innowacji zbudowanych na nowej infrastrukturze.
  3. Etap 3: Rozwój poprzez innowacje cyfrowe – skoncentrowany na wykorzystaniu technologii do realizacji strategicznych ambicji firmy, w tym angażowania partnerów i klientów w nowe cyfrowe ekosystemy. Wskaźniki na tym etapie obejmują liczbę zaangażowanych partnerów ekosystemu, liczbę nowych klientów, tempo adopcji przez istniejących klientów nowej platformy oraz objętość transakcji na platformie.

Autorzy podkreślają, że zastosowanie niewłaściwych wskaźników, które są bardziej odpowiednie dla innego etapu, może być kosztownym błędem. Przykładem może być sytuacja firmy General Electric z ich platformą Predix, która była przeznaczona do zbierania danych OT i IT i ich transferu do chmury. GE, koncentrując się na niewłaściwych wskaźnikach, takich jak wzrost przychodów i liczba przyciąganych deweloperów, nie tylko nadmiernie zainwestowało w Predix, ale również nie opracowało właściwych wskaźników dla początkowych potrzeb rynkowych i reakcji na nie.

W kontrastcie, odpowiednie śledzenie wskaźników pozwala menedżerom na kontrolowanie postępu w kierunku bieżącego celu w sposób rygorystyczny i obiektywny, umożliwiając korekty kursu i kontynuowanie ruchu we właściwym kierunku. Dla producentów dążących do dopasowania swoich wskaźników do odpowiedniego etapu innowacji cyfrowych i transformacji, autorzy oferują szereg rekomendacji, w tym określenie, na którym etapie znajduje się dany projekt innowacyjny, zaangażowanie odpowiednich interesariuszy i zastosowanie odpowiednich wskaźników, korzystanie z danych w miarę postępów oraz unikanie polegania wyłącznie na ROI jako wskaźniku.

Podsumowując, artykuł Joglekara, Parkera i Srai podkreśla, że złożoność biznesu produkcyjnego może komplikować, spowalniać lub torpedować wysiłki transformacji cyfrowej, ale równocześnie wskazuje na znaczące korzyści, jakie technologie cyfrowe mogą przynieść producentom, którzy są w stanie wytyczyć dobrze zaplanowaną ścieżkę do wdrożenia. Producenci, którzy podążają za etapowym podejściem sugerowanym przez autorów, powinni być, podobnie jak badane przez nich firmy, lepiej przygotowani do budowania nowych cyfrowych zdolności z odpowiednimi umiejętnościami przywódczymi, aby utrzymać projekty na właściwym kursie poprzez dyscyplinowane stosowanie odpowiednich wskaźników na każdym etapie.


Więcej informacji w artykule we wiosennym wydaniu MIT SloanReview  Why Manufacturers Need a Phased Approach to Digital Transformation. Those that succeed with this difficult work break it into three stages, each with its own guiding metrics. Nitin Joglekar, Geoffrey Parker, and Jagjit Singh Srai January 31, 2024


Cyfrowa transformacja przedsiębiorstw produkcyjnych w erze szybkiego rozwoju sztucznej inteligencji (AI) ma ogromny potencjał, który można zauważyć w różnych aspektach działalności produkcyjnej. Oto kilka kluczowych obszarów, w których AI może mieć znaczący wpływ – w ocenie samej AI. Poniższy fragment został wygenerowany przez ChatGPT w odpowiedzi na pytania w jaki obszarach produkcyjnych można wykorzystać narzędzia AI.

  1. Optymalizacja procesów produkcyjnych: AI może analizować dane z różnych etapów procesu produkcyjnego w czasie rzeczywistym, pomagając w identyfikacji i usuwaniu wąskich gardeł, przewidywaniu awarii sprzętu oraz optymalizacji zużycia zasobów. Dzięki temu przedsiębiorstwa mogą znacząco zwiększyć efektywność, obniżyć koszty i poprawić jakość produktów.
  2. Zaawansowane zarządzanie łańcuchem dostaw: Sztuczna inteligencja może przewidywać popyt, optymalizować poziomy zapasów i zarządzać logistyką. Może również identyfikować potencjalne zakłócenia w łańcuchu dostaw i sugerować alternatywne strategie, minimalizując ryzyko i zapewniając ciągłość działalności.
  3. Personalizacja produktów: AI umożliwia produkcję bardziej spersonalizowanych produktów poprzez analizę danych klientów i dostosowywanie produktów do ich indywidualnych preferencji, co może być kluczowe w budowaniu lojalności klienta i zwiększaniu konkurencyjności.
  4. Zarządzanie jakością: Algorytmy AI mogą monitorować i analizować jakość produktów na każdym etapie produkcji. Możliwość wczesnego wykrywania i korygowania defektów znacząco obniża koszty związane z odpadami i poprawia ogólną jakość produktu.
  5. Utrzymanie ruchu i predykcyjne konserwacje: AI może analizować dane z czujników maszyn i urządzeń, przewidując awarie zanim one nastąpią. Dzięki temu możliwa jest optymalizacja harmonogramów konserwacji, minimalizacja przestojów i wydłużenie żywotności sprzętu.
  6. Automatyzacja i robotyzacja: Sztuczna inteligencja wspomaga rozwój zaawansowanych robotów, które mogą wykonywać złożone zadania z większą precyzją i efektywnością niż ludzie, co jest szczególnie istotne w monotonnych, powtarzalnych lub niebezpiecznych zadaniach.
  7. Analiza i wykorzystanie dużych zbiorów danych (Big Data): AI może analizować ogromne zbiory danych (w tym dane niewykorzystywane do tej pory), identyfikując wzorce i insighty, które mogą pomóc w podejmowaniu lepszych decyzji biznesowych i strategicznych.
  8. Zrównoważony rozwój i ekologia: AI może pomóc w optymalizacji procesów produkcyjnych w taki sposób, aby były one bardziej zrównoważone i ekologiczne, na przykład poprzez minimalizację odpadów, optymalizację zużycia energii czy zarządzanie emisjami.

W kontekście cyfrowej transformacji przedsiębiorstw produkcyjnych, AI jest nie tylko narzędziem zwiększającym efektywność i obniżającym koszty, ale także czynnikiem innowacyjności i zrównoważonego rozwoju. Połączenie zaawansowanych technologii z nowymi modelami biznesowymi i strategiami operacyjnymi tworzy nowe możliwości dla przemysłu produkcyjnego.

 

, , , ,