Text: Duncan Bain, Senior System Engineer på SAS Institute
Att bygga upp lager som skydd mot leveransstörningar har blivit vanligt inom industrin, men till priset av låsta kapitalresurser och pressade marginaler. Med hjälp av AI, IoT och bättre analys av tillgångars prestanda kan företag i stället fatta mer träffsäkra beslut, minska behovet av överskottslager och maximera nyttan av befintlig utrustning.
Många tillverkningsföretag har kommit en bra bit på vägen i sin digitala omställning och använder i allt högre grad data som stöd i verksamheten. Trots detta saknas ofta tillräcklig kunskap och analysförmåga för att fatta välgrundade beslut kring lagerhållning och investeringar. Resultatet är att många tillverkare tvingas prioritera lageruppbyggnad i stället för att arbeta med mer förutseende och flexibla modeller.
Detta påverkar både kassaflödet och lönsamheten, särskilt i ett läge där höga energikostnader och brist på kvalificerad arbetskraft redan sätter press på marginalerna. Företag ställs inför ett dilemma: ska kapitalet bindas upp i reservdelar och komponenter, eller ska man riskera att stå utan i en kritisk situation?
För den tunga industrin är frågan särskilt viktig. En produktionsmaskin kan kosta miljoner och ha upp till ett halvårs leveranstid. Det är därför förståeligt att företag i god tid vill säkerställa att reservdelar och utrustning finns tillgängliga. Men detta leder i sin tur till att tillgångar som ännu inte ger något värde måste underhållas och servas.
Bättre beslut kan fattas om man har detaljerade insikter om hur befintlig utrustning faktiskt presterar. Genom att utrusta maskiner med sensorer och analysera den data som genereras i realtid kan företag få en tydligare bild av vilka tillgångar som fungerar väl och vilka som behöver bytas ut. Data om exempelvis driftstid, temperatur, vibrationer och energiförbrukning kan ge värdefull information om underhållsbehov och förväntad livslängd.
Med hjälp av AI och avancerad analys kan denna data omsättas i praktiskt beslutsunderlag. AI kan upptäcka mönster som annars går förlorade i stora datamängder. Det gör det möjligt att prioritera rätt underhåll i rätt tid och att förlänga livslängden på befintliga tillgångar – eller se när det är mer ekonomiskt att investera i ny teknik.
En växande trend är det som kallas AIoT, en kombination av AI och Internet of Things (IOT, sakernas intetnet). Tekniken ger företag möjlighet att analysera och agera på data från anslutna enheter i realtid. Med AIoT får man inte bara snabbare svar, utan även djupare insikter. Den kan även kombinera data från olika delar av verksamheten, exempelvis för att avgöra om en specifik maskin kan möta framtida efterfrågan, eller om produktionen bör justeras.
Vi ser redan hur AIoT förändrar hur tillgångar förvaltas och hur stillestånd minimeras. SAS har exempelvis samarbetat med Volvo Trucks och Mack Trucks – båda är dotterbolag till Volvo AB – där vi bidragit till att utveckla fjärrdiagnostik och förebyggande underhållstjänster med hjälp av IoT och AI. Resultatet? 70 procent kortare diagnostider och 25 procent snabbare reparationer. Det ger både ökad tillgänglighet och nöjdare kunder i en bransch där varje timme i drift räknas.
Men AIoT är inte bara relevant för tung industri. Samma principer kan appliceras på konsumentprodukter. Med rätt teknik kan till exempel hushållsapparater förutse underhållsbehov och via en app meddela när det är dags att byta ut delar, innan något går sönder.
När AI utvecklas och IoT-lösningar blir allt mer utbredda, innebär AIoT ett nytt sätt att tänka kring förvaltning av tillgångar och kapital, logistik och affärsplanering. Det ger företag en mer heltäckande bild av hur tillgångar påverkar allt från försäljning till kundrelationer, och minskar behovet av att lagerhålla ”för säkerhets skull”.
Bild: Sarah Sever
