Postępy
0% ukończone

W przypadku wdrażania rozwiązań w obszarze procesów inżynierskich, prowadzone czynności są kontynuacją i rozszerzeniem wcześniejszych analiz, a w szczególności studium wykonalności. Pełna wersja tego dokumentu obejmuje analizy możliwości przeprowadzenia działań związanych z wdrożeniem konkretnych rozwiązań.

Działania związane z wprowadzaniem rozwiązań w obszarze procesów inżynierskich są w dużej mierze analogiczne do tych podejmowanych w przypadku wdrażania systemów informatycznych. Specyfika procesów inżynierskich sprawia, że większy nacisk jest położony na integrację z maszynami, czujnikami IIoT czy oprogramowaniem sterującym, ale same założenia, metodyki i etapy są bardzo podobne.      

Możemy rozróżnić działania, które będą wykonane:

  • jednokrotnie, a następnie będą doskonalone – dotyczą one m.in. wdrożenia podsystemów infrastruktury technicznej (np. czujników IIoT), infrastruktury do składowania i analizy danych, kultury pracy z danymi itd.;
  • wielokrotnie, przy wdrażaniu każdego kolejnego działania – są to wszystkie czynności, które muszą być przeprowadzone przy wdrażaniu każdego kolejnego rozwiązania, które ma na celu transformację któregokolwiek z modeli biznesowych.

Niemniej proces wdrożenia składa się z kilku dość standardowych etapów:

  • spotkanie inaugurujące projekt (ang. kick-off);
  • opracowanie przypadków użycia;
  • przegląd stanu aktualnego (ang. AS-IS);
  • analiza wymagań biznesowych;
  • definiowanie stanu docelowego (ang. TO-BE);
  • aktualizacja mapy drogowej;
  • wdrożenie podsystemów.

Krótka charakterystyka poszczególnych etapów została przedstawiona poniżej.

Spotkanie inaugurujące projekt

Na początku należy ustalić wspólne zasady oraz wypracować jednolite rozumienie terminologii niezbędnej do prowadzenia analizy wymagań projektowych i osiągania rezultatów. Wiąże się to z koniecznością zgromadzenia interesariuszy projektu na spotkaniu, podczas którego należy:

  • upewnić się, że kluczowi interesariusze rozumieją podejście projektowe;
  • uzgodnić cele projektu;
  • uzgodnić role i obowiązki interesariuszy w projekcie;
  • uzgodnić, co dokładnie wchodzi w zakres projektu, oraz co zostanie zrealizowane;
  • ustalić kryteria sukcesu projektu;
  • przeprowadzić dyskusję i odpowiedzieć na wszelkie pytania i wątpliwości.

Opracowanie przypadków użycia

W przypadku każdego z planowanych projektów związanych z danymi konieczne jest scharakteryzowanie przypadków ich użycia. Proces ten pomoże Ci ustalić priorytety projektów i określić, które z nich chcesz uwzględnić w swojej strategii. Pozostała część szablonu strategii w zakresie danych (ang. data strategy template) z wzorca mapy drogowej jest podzielona na różne wymagania, np.: niezbędne dane i technologie, w które należy zainwestować. Chodzi o to, aby zidentyfikować przekrojowe wyzwania, tematy, działania, problemy i cele w tych obszarach.

Przegląd stanu aktualnego (ang. AS-IS)

Ma na celu przyjrzenie się istniejącym, bieżącym rozwiązaniom: infrastrukturze i oprogramowaniu, źródłom danych, systemom raportowania i analizy, zarządzaniu danymi oraz wszelkim wcześniejszym istotnym zabezpieczeniom projektu. Wyniki analizy stanu bieżącego powinny zapewnić łatwy do zrozumienia przegląd przepływu danych od źródła do użycia biznesowego, w szczególności z perspektywy danych i analiz. Ważne jest, aby zrozumieć, w jakim stopniu istniejące w organizacji rozwiązania spełniają wymagania biznesowe. Często pomaga to zrozumieć, jakie działania są wykonalne z perspektywy aplikacji i danych, oraz zidentyfikować najważniejsze problemy.

Analiza wymagań biznesowych

Ten krok rozpoczyna się po przeglądzie stanu aktualnego, ponieważ aby rozwijać organizację w bardziej świadomy sposób musimy dobrze poznać jej stan obecny. Często zrozumienie ograniczeń istniejących systemów źródłowych jest pomocne w zarządzaniu oczekiwaniami, zwłaszcza jeśli pojawiają się wymagania biznesowe, które z punktu widzenia aktualnych źródeł danych są niemożliwe do spełnienia. Działania związane z analizą wymagań odbywają się iteracyjnie, ponieważ każde podjęcie nowego tematu daje początek pytaniom dotyczącym stanu bieżącego. Zbieranie i analiza wymagań biznesowych są idealnymi przykładami zastosowania metodyk zwinnych i kultury otwartych innowacji.

Jednym z często używanych sposobów, które pozwalają wyobrazić sobie cyfrowy model biznesowy, identyfikację celów i KPI oraz ocenę, jakie dane przetwarzane są na kolejnych etapach, jest rozpoczęcie od spojrzenia zorientowanego na klienta i dążenie do poprawy jego doświadczeń. Metodyką pozwalającą lepiej zrozumieć konsumentów, w tym ich zachowania i motywacje, jest tzw. podróż klienta (ang. customer journey), czyli dogłębna, sukcesywna analiza doświadczeń, przez które przechodzi konsument, korzystając z określonego produktu lub usługi.

Definiowanie stanu docelowego (ang. TO-BE)

Mapa drogowa jest podstawowym sposobem na przekazanie wizji kolejnych etapów rozwoju organizacji w zakresie transformacji cyfrowej. Szczegółowym dokumentem określającym stan docelowy jest studium wykonalności wdrożenia. Studium to powinno przedstawiać szczegóły z zakresu planowanych do wprowadzenia systemów. Dokument ten pozwala na określenie kryteriów potrzebnych do spełnienia wymagań technicznych, wariantów wdrożenia i ich kosztów. Warianty wdrożenia powinny uwzględniać różne zakresy danych niezbędnych do monitorowania procesów i wybranych KPI oraz autonomiczność wdrażanych wariantów/podsystemów. Jeśli obejmuje to plan projektu, jest to również odpowiedni moment, aby rozważyć oceny i rekomendacje platformy danych oraz zestawów narzędzi analitycznych, nawet jeśli nie jest to projekt, którego głównym celem jest wdrożenie wspomnianej platformy.

Aktualizacja mapy drogowej

Jesteś teraz w punkcie, w którym rozumiesz stan obecny i masz jasny obraz stanu docelowego. Celem tego kroku jest zaprojektowanie (lub aktualizacja) mapy drogowej, która będzie ukazywała kolejne etapy cyfrowej transformacji. Zakres i charakter wybranych projektów w ramach mapy drogowej zaczyna się krystalizować podczas każdego kolejnego wdrożenia, które realizujemy.

Wdrożenie podsystemów

Jest to etap, który odbywa się w fazach. Studium wykonalności powinno opisywać wszystkie niezbędne działania, a mapa drogowa transformacji cyfrowej powinna być aktualizowana przy okazji przeprowadzania studiów wykonalności poszczególnych projektów. Do kolejnych kroków w tym procesie wdrażania zalicza się:

  • Instalacja infrastruktury i wdrożenie aplikacji /systemu /platformy – Wdrożenie rozwiązania klasy utrzymanie ruchu, planowanie produkcji, cyfrowy bliźniak, tj. MES (ang. manufacturing execution system), EAM (ang. enterprise asset management), CMMS (ang. computerised maintenance management system), CAx (ang. CADComputer Aided Design, CAM – Computer Aided Manufacturing, CAE – Computer Aided Engineering) czy w końcu cyfrowy bliźniak (ang. Digital Twin). Osobnym projektem jest zakup i instalacja infrastruktury wraz z oprogramowaniem systemowym i platformą składowania danych i/lub zakup usług hostingu w centrum regionalnym lub operatora chmury. Zaprojektowanie hurtowni danych do składowania danych.
  • Integracja wdrażanego systemu z innymi rozwiązaniami – Wdrożenie mechanizmów integracyjnych, których zadaniem jest wymiana danych z wyżej wymienionych systemów, na przykład MES/EAM/CMMS, z innymi elementami infrastruktury i przesyłanie danych i dokumentów do systemu składowania danych.
  • Wdrożenie systemu raportowania – Zaprojektowanie raportów i kokpitów managerskich, które pozwolą analizować wyniki, monitorować procesy i analizować wartości KPI.
  • Zasilenie podsystemów – Analiza możliwości korzystania z danych składowanych dotychczas w przedsiębiorstwie; zasilenie podsystemów danymi historycznymi; parametryzacja narzędzi raportujących i kokpitów menadżerskich.

Walidacja i trenowanie silnika analitycznego

Po zrealizowaniu lub aktualizacji prac związanych z platformą danych i analityką powinno się przeprowadzić walidację działania narzędzi służących do monitorowania zidentyfikowanych procesów oraz KPI. Na wstępnym etapie należy przeprowadzić ocenę, korektę i kontrolę działania oraz efektów, dzięki której można zidentyfikować słabe punkty zastosowanych rozwiązań oraz je wyeliminować.

Bardziej złożoną kwestią jest trenowanie silnika analitycznego, zwłaszcza jeśli na platformie danych i analityki korzysta się z bardziej zaawansowanych narzędzi, np. uczenia maszynowego (ang. machine learning) należącego do obszaru sztucznej inteligencji. W tym przypadku konieczne jest zastosowanie technik projektowania oraz uczenia modeli, a także automatycznego znalezienia zestawu danych, który najlepiej dopasowuje dane wyjściowe modelu do rzeczywistych wyników. Operacje kalibracji i uczenia modelu można przeprowadzić, kiedy dysponuje się odpowiednią ilością danych. Po zakończeniu uczenia modelu może on posłużyć do prowadzenia symulacji działania wybranych nowych technologii i modeli biznesowych.

Skip to content