ผู้ประกอบการอุตสาหกรรมการผลิต ล้วนมีการดำเนินกิจกรรม และ โอเปอเรชั่นในแต่ละวันที่สูง การนำเทคโนโลยีมาเป็นตัวช่วยขับเคลื่อนเพื่อเชื่อมต่อข้อมูลจึงมีความสำคัญ
บทความนี้ขอกล่าวถึงการทำ Data Analytic ในอุตสาหกรรมการผลิต หากวันนี้ธุรกิจต้องปรับตัวสู่เทคโนโลยีดิจิทัล จะทำอย่างไรให้ข้อมูลที่มีอยู่เกิดประโยชน์ เมื่อในอุตสาหกรรมโรงงานข้อมูลส่วนมากได้มาจากการทำงานผ่านเครื่องจักร ซึ่งข้อมูลการผลิตที่ถูกต้องและผิดพลาดจะถูกส่งสู่ฐานข้อมูล ผู้บริหารใช้ข้อมูลดังกล่าวในการวิเคราะห์ และตัดสินใจเรื่องต้นทุน หรือกระบวนการนำกลับมาใช้ เพื่อเพิ่มผลผลิตให้เกิดกำไรมากที่สุด
สิ่งที่เป็นไปได้ยากสำหรับข้อมูลที่มีปริมาณมหาศาลคือการนำมาแสดงผลด้วยแผนภูมิเนื่องจากว่าไม่สามารถที่จะนำข้อมูลดิบที่เกี่ยวข้องกับการผลิตทั้งหมดมาจัดเก็บไว้ใน excel แล้วนำไปสร้างรายงาน และแผนภูมิตามที่ต้องการได้ หากพัฒนา web application ไว้ใช้งานเอง แต่เครื่องมือที่ใช้งานในปัจจุบันไม่รองรับข้อมูลปริมาณมาก (Big data) ก็ไม่สามารถนำไปสร้างรายงานที่ซับซ้อนได้เช่นกัน
Analytic services
เป็นที่ทราบกันดีอยู่แล้วว่า Power BI เป็นเครื่องมือที่ช่วยในการสร้างรายงานที่หลากหลายรวมถึง dashboard ที่เหมาะสำหรับผู้บริหาร หากนำมาใช้งานร่วมกับ Tabular ก็จะช่วยเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูล (Analysis service) และลดเวลาการวิเคราะห์ข้อมูลจากฐานข้อมูลได้เป็นอย่างมาก และยังสามารถกรองข้อมูลที่ไม่จำเป็น (Cleansing data) ก่อนจะนำมาใช้งาน ทั้งนี้เพื่อเพิ่มความแม่นยำ และความชัดเจนในการนำเสนอรายงานดังกล่าว
4 step to Data Analytics
1. ETL (Extract, Transform and Load)
Cleansing data
ปัญหาใหญ่ที่หลีกเลี่ยงไม่ได้จากข้อมูลที่อยู่ในเครื่องจักร คือ ไม่สามารถกำหนดข้อมูลที่มาจาก เครื่องจักรทั้งหมดได้เพราะ RPA ของเครื่องจักรไม่สามารถสนองความต้องการได้ทุกเรื่อง ดังนั้น ข้อมูลทั้งหมดที่มีจะถูกส่งมายังฐานข้อมูลวิธีที่ถูกต้องที่สุด คือ ต้องนำข้อมูลที่ได้จากเครื่องจักรมากรองโดยเลือกเฉพาะข้อมูลที่จำเป็นส่งผลให้การโหลดข้อมูลเร็วขึ้น (Performance) และลดขนาดข้อมูลที่ถูกจัดเก็บในฐานข้อมูล (Database storage management)
Transform data
ข้อมูลที่มาจากเครื่องจักร ไม่สามารถกำหนดชนิดของข้อมูล (Data type) ทั้งหมดได้ ส่วนใหญ่ข้อมูลจะอยู่ในรูปแบบ ตัวอักษร (string) การ transform ข้อมูลที่ได้รับให้อยู่ในรูปแบบที่เหมาะสมต่อการวิเคราะห์ข้อมูลจึงเป็นสิ่งจำเป็นก่อนที่จะลงฐานข้อมูล
Job automation
ทุกครั้งที่เครื่องจักรส่งข้อมูลการผลิต จะเป็นการส่งข้อมูลแบบรอบเสมอ การนำ Robotic process automation(RPA) มาใช้ประโยชน์ให้ทำหน้าที่โหลดข้อมูลจากเครื่องจักรสู่ฐานข้อมูลที่ใช้วิเคราะห์ซ้ำไปซ้ำมาแทนการใช้มนุษย์จะสามารถลดความผิดพลาดของคน (Human error) ทำให้งานเกิดประสิทธิภาพสูงขึ้น
2. Analysis service
Increase performance query big data
ปัญหาที่พบทุกครั้งเมื่อใช้งานข้อมูลที่มีอยู่อย่างมหาศาล คือ ความล่าช้าในการสืบค้นและประมวลผลซึ่งทำให้ไม่เกิด User experiences (UX) ที่ดี หากเรานำ Tabular ซึ่งเป็นเครื่องมือวิเคราะห์ข้อมูลชนิดหนึ่ง (Analysis service) มาใช้งาน โดยนำข้อมูลมาวิเคราะห์บนหน่วยความจำก่อนที่จะมีการวิเคราะห์ข้อมูลจริง จะทำให้ลดเวลาในการประมวลผลให้น้อยลง
Decease time to develop applications
เนื่องจากการ query ข้อมูลเชิงการวิเคราะห์ต้องรู้ทั้งภาษา SQL และหลักสถิติ การที่ใช้ภาษา SQL เพื่อคำนวณเชิงสถิติต้องใช้เวลามาก การใช้ภาษา DAX (Data Analysis Expressions ) ที่รองรับการทำงานของ Tabular โดยตรง จึงทำให้มีความรวดเร็วในการพัฒนา เกิดประสิทธิภาพด้านการสืบค้น และการคำนวณที่รวดเร็วกว่า
3. Data visualization
Power BI คือ เครื่องมือทางด้าน visualization ที่ได้รับความน่าเชื่อถือและมีความนิยมเป็นอันดับ 1 ใน 3 ของโลก ง่ายต่อการพัฒนาให้ตรงตามความต้องการ (Requirement) และ ยังสามารถปรับแก้ (Customize) ให้กับแผนภูมิ ต่างๆได้อย่างรวดเร็วมีประสิทธิภาพ ทั้งด้านความสวยงาม รวดเร็วในการตอบสนอง ง่ายต่อการใช้งาน
4. Deploy to High security environments
80% ของข้อมูลเชิงวิเคราะห์ส่วนมากเป็นความลับของบริษัท และต้องนำเสนอผู้บริหาร ความปลอดภัยของข้อมูล ต่อการคุกคามบนโลก internet (Cyber security) จึงเป็นสิ่งสำคัญ MICROSOFT AZURE เป็นสถานที่เก็บข้อมูล คือ คลาวน์ (Cloud computing) ที่มีความเสถียร น่าเชื่อถือ ต่อทุกองค์กรบนโลกใบนี้ ช่วยรักษาข้อมูลและมั่นใจได้ว่าข้อมูลจะไม่ถูกคุกคาม หรือรั่วไหลไปสู่โลกภายนอกอย่างแน่นอน
AMCO มีประสบณ์การร่วมกับธุรกิจการผลิต (manufacturing industry) ปัจจุบันเราเป็นผู้พัฒนาระบบด้าน Data analytics, Work flow process Application solution, Data Visualization (Power BI) และ ERP ให้แก่ บริษัทผลิตรถยนต์ บริษัทผลิตยางรถทุกประเภท ที่มียอดขายติดอันดับ 1 ใน 3 ของโลก
