Повышение эффективности производственной деятельности

Сначала рассмотрим, как датчики, IoT и искусственный интеллект повышают операционную эффективность, обеспечиваемую традиционными ИТ-услугами в сети цепочки создания стоимости Ford. Датчики могут собирать широкий спектр интерактивных данных. Они универсальны. Они вездесущи. Они могут быть установлены на существующие активы. Они могут быть соединены в обширные сети, позволяющие генерировать данные и обмениваться ими через IoT поверх инфраструктуры ИТ-системы. Таким образом, датчики и IoT позволяют генерировать и обмениваться данными в большем объеме, чем это могут обеспечить ИТ-системы.

Важно отметить, что датчики, IoT и ИИ не заменяют функции различных ИТ-систем. Эти ИТ-системы развивались годами, обеспечивая сложные и изощренные способы автоматизации различных комплексных рабочих процессов. Датчики, IoT и ИИ дополняют эти системы, создавая поверх них более широкую сеть генерации и обмена данными. Благодаря повсеместному распространению датчиков эта сеть может генерировать гораздо больше данных. Модернизированные датчики позволяют объектам генерировать данные, которые ранее не были предусмотрены создателями их базового программного обеспечения или ИТ-систем. Сеть может настраивать типы данных, генерируемых множеством различных объектов, активов и видов деятельности, благодаря универсальности датчиков в генерировании различных типов данных. Кроме того, данные могут передаваться внутри сети для использования системами искусственного интеллекта с целью получения дополнительных сведений. И действительно, искусственный интеллект придает сети значительную мощь, позволяя использовать данные для решения проблем в цепочке создания стоимости. Все эти возможности повышают операционную эффективность.

Рассмотрим сценарий, в котором ИТ-система одного из сборочных подразделений компании Ford обнаруживает всплеск дефектов в дверных узлах, полученных с производственного подразделения. Затем эта ИТ-система оповещает другую ИТ-систему в производственном подразделении, выпускающем дверные узлы. В этом оповещении содержится запрос на увеличение объема поставок дверных блоков. Это делается для того, чтобы иметь достаточное количество бездефектных дверных блоков, чтобы не нарушить технологический процесс сборки. Очевидно, что такая генерация и обмен данными решают непосредственную задачу поддержания рабочего процесса сборки. Однако это решение не позволяет устранить первопричину или источники дефектов.

Датчики и IoT открывают гораздо более широкие возможности для сбора и обмена данными за пределами разрозненных ИТ-систем сборочных и производственных подразделений. Вооружившись более объемными данными из более широкого круга источников, ИИ получает больше шансов обнаружить основной источник проблемы. Его решение выходит за рамки предотвращения прерывания рабочего процесса на одном конкретном сборочном узле. Решение направлено на сокращение общего времени, необходимого для производства автомобиля. В главе 4 приведены дополнительные примеры, поясняющие, как компании могут разработать стратегию производственных экосистем для повышения эффективности производства с помощью датчиков, IoT и ИИ.

Новые услуги, основанные на данных

Гораздо более существенное отличие сенсоров, IoT и ИИ от традиционных ИТ-систем заключается в их способности создавать новые функции и услуги для продуктов, основанные на данных. Эти новые функции и услуги становятся возможными, когда компании устанавливают на свои продукты датчики и отслеживают взаимодействие продукта с пользователем. В отличие от преимуществ операционной эффективности, позволяющей снизить затраты, услуги, основанные на данных, могут генерировать новые потоки прибыли для компаний. С помощью данных они могут расширить сферу своей конкурентоспособности, выйдя за пределы возможностей своих продуктов на новые просторы. Услуги, основанные на данных, могут изменить взаимодействие компании с клиентами. Они даже могут помочь компании заново создать себя.

Услуги, основанные на данных, возникают из новых функций продукта, основанных на данных, которые обеспечивают дополнительные преимущества и новый опыт для клиентов компании. Например, автомобили Ford самостоятельно паркуются. Они помогают водителям оставаться в своей полосе движения. Они тормозят перед столкновением. Компания Ford монетизирует такие функции, предлагая их в качестве дополнительных опций по повышенным ценам и с повышенной маржой.

Услуги, основанные на данных и основанные на таких интеллектуальных функциях продукта, могут быть расширены двумя особыми способами в зависимости от типа генерируемых данных, продукта, генерирующего эти данные, и потребностей клиентов. Первый - это предиктивные услуги. На основе данных датчиков и искусственного интеллекта компания Ford может определить вероятность отказа компонентов автомобиля, таких как двигатель, мост или тормоза, и заранее предупредить об этом водителя. Такие прогностические услуги, предлагаемые в качестве опций, могут обеспечить новые источники дохода. Компания Ford использует эти услуги для своих клиентов из автопарков (например, компаний по прокату автомобилей и полиции), чтобы сократить время простоя их автопарков. Предиктивные услуги по техническому обслуживанию особенно ценны в ситуациях, когда простои продукции обходятся дорого. Предиктивные услуги могут использоваться везде, где данные датчиков могут предупредить о неблагоприятном исходе событий. Например, в домах престарелых прогностические сервисы помогают избежать госпитализации клиентов, предупреждая их о возможных падениях или заболеваниях. В сельском хозяйстве они могут предсказывать развитие болезней сельскохозяйственных культур или деятельность вредителей и инициировать корректирующие действия до того, как будет нанесен дорогостоящий ущерб.

Второй способ расширения спектра услуг, основанных на использовании данных и интеллектуальных свойств продукта, - это массовая кастомизация. В качестве примера можно привести матрасы. Используя данные о частоте сердечных сокращений, дыхании, поворотах и наклонах пользователя в режиме реального времени, матрасы могут быть массово настроены для обеспечения лучшего сна. Иными словами, матрасы могут менять свои характеристики (контуры) в соответствии с особенностями сна каждого человека. В главе 4 приведены примеры и подробности того, как компании используют свои производственные экосистемы для предоставления таких новых услуг, основанных на данных, с целью увеличения доходов.

От сетей комплементаторов к экосистемам потребления

Сеть комплементаторов - это еще один фундамент, на котором унаследованные фирмы могут строить новые цифровые экосистемы. По сравнению с сетями цепочек создания стоимости, сеть комплементаторов была меньше и менее значима для унаследованных компаний. Кроме того, в отличие от сетей цепочек создания стоимости, традиционные ИТ не играют заметной роли в управлении генерацией и обменом данными в сетях комплементаторов. Связи между различными предприятиями, активами и видами деятельности в комплементарных сетях традиционно остаются нецифровыми. Некоторые из этих связей создаются в результате кобрендинга, как это показано на примере зубных щеток и зубной пасты компании Colgate. Однако в большинстве случаев такие связи устанавливаются на основе общепринятых отраслевых стандартов. Стандарты на конструкции цоколей, уровни напряжения и электропроводку позволяют потребителям покупать любые лампочки и использовать их в своих домах. Аналогично, стандарты на бензин и топливораздаточные форсунки на АЗС позволяют легко заправить любой автомобиль.

Сегодня сенсоры и IoT кардинально преобразуют нецифровые комплементарные сети в динамичные цифровые экосистемы потребления. На рис. 3.4а, 3.4б и 3.4в показан такой переход компании Ford от традиционной комплементарной сети к новой экосистеме потребления. До внедрения современных цифровых технологий комплементарная сеть компании Ford включала в себя несколько субъектов и объектов, не имеющих цифровых связей. В качестве примера мы привели автозаправочные станции, независимые сервисные центры (например, Midas), а также дороги и магистрали. Это показано на рис. 3.4а.

Рисунок 3.4a

От комплементарных сетей к экосистемам потребления: Ford Motor Company с традиционными нецифровыми дополнениями.

С помощью датчиков и IoT эти дополнения теперь могут быть подключены к автомобилям Ford, оснащенным датчиками, и доступны цифровым клиентам Ford для новых услуг цифровой платформы. Например, автомобиль, у которого заканчивается бензин, может найти ближайшую заправку. Автомобиль с потенциальной проблемой с тормозами может быть подключен к удобно расположенному сервису Midas или аналогичному независимому сервисному центру для записи на прием. Автомобиль получает предупреждение о пробке и получает альтернативный маршрут (см. рис. 3.4б).

Все эти сценарии связаны с подключением ранее существовавших нецифровых дополнений с помощью современных цифровых технологий. Кроме того, сегодня автомобиль имеет множество новых дополнений, появившихся исключительно благодаря цифровым технологиям. Во введении рассказывалось о том, как водители могут заказать кофе из своего автомобиля. Это стало возможным благодаря новым цифровым дополнениям, таким как Amazon's Alexa и подключенным к сети организациям, таким как Starbucks и банки. Подобно Starbucks, могут существовать тысячи других розничных магазинов, которые могут быть подключены аналогичным образом. Компания Ford может найти множество других подобных подключенных объектов и активов в качестве дополнения к своим автомобилям, оснащенным датчиками. К ним относятся подключенные парковочные места и программные интерфейсы с целым рядом транспортных служб, таких как автобусы, метро и поезда (см. рис. 3.4c).