Zandkastelen bouwen met los zand

Hoe ogenschijnlijk waardeloze data toch van nut kan zijn

Internet of things, big data en prescriptive maintenance zouden de grote beloften van de 21e eeuw zijn. Nooit meer ongeplande downtime, want we kunnen alles voorspellen. Veel bedrijven hebben echter moeite met deze “vooruitgang”. Er is nauwelijks data en dat wat wel beschikbaar is, is niet bruikbaar. Het lijkt los zand… tot je ermee aan de slag gaat.

Het vakgebied maintenance is in ontwikkeling. Steeds vaker worden onderhoud en asset management in één adem genoemd. Waar onderhoud zich vooral richt op het nu en op de korte termijn – de assets moeten blijven functioneren om de gevraagde productie of service te kunnen leveren – gaat het binnen asset management meer over een lange termijn planning, levensloop vraagstukken en modernisering. Het doel is enerzijds het bewaken van de levensduur van de assets en anderzijds het tijdig opstarten van investeringsprojecten om de veiligheid en betrouwbaarheid te kunnen garanderen.

Lage data kwaliteit?

Het bedrijven van asset management vraagt om kennis over de verwachte levensduur, het gebruik, de degradatie en het uiteindelijke falen van assets. ‘Onze ervaring is dat bedrijven die dénken dat ze slechts data van lage kwaliteit hebben, in ieder geval wel deze cijfers tot hun beschikking hebben’, vertelt Peter Decaigny van Mainnovation. ‘En je kunt hier meer mee dan je denkt.’
Bedrijven die worden geleid door de waan van de dag, werken volgens de systematiek van een brandweerorganisatie, vinden het doorgaans lastig om door de bomen het bos te zien. Decaigny: ‘Iedereen is druk, er treden regelmatig storingen op en de meeste aandacht gaat naar het zo snel mogelijk oplossen van deze storingen. Het idee is dat registratie van deze downtime slechts ‘los zand’ is maar wie de downtime (in uren) afzet tegen de frequentie van falen – het aantal storingen – krijgt inzicht in welke assets vaak en langdurig zorgen voor stilstand. Dan zijn dit dus de assets waar aandacht aan moet worden besteed.’ Door op zoek te gaan naar de oorzaak of reden van de downtime, kan dit wellicht worden opgevangen of weggenomen. ‘We krijgen inzicht in de ‘Mean Time Between Failure’ en ook de ‘Mean Time To Repair’ en dit biedt handvatten om de juiste conclusies te kunnen trekken.’

Onsamenhangend?

Een andere optie is dat er redelijk veel data beschikbaar is, maar dat er geen verband lijkt te zijn. Hierdoor lijkt het een onsamenhangend geheel waar geen conclusies aan te verbinden zijn. Maar ook hier is de boodschap ‘start gewoon met dat wat je wel weet’.
Dit begint met het verzamelen en analyseren van data. Als de analyse alleen maar vragen oproept en geen inzicht oplevert, is het raadzaam om eens kritisch te kijken naar de weergave van die cijfers. Decaigny: ‘We kunnen de Time To Failure bijvoorbeeld uitzetten in chronologische volgorde. Dus hoe veel weken heeft het geduurd voor een asset ging falen. Dit zou zomaar een willekeur aan cijfers kunnen opleveren. Van 120 weken, naar 40 weken, naar 16 weken en dan opeens wel weer 118 weken. Hier conclusies aan verbinden, is lastig. We zien bedrijven de fout maken dat ze hier een gemiddelde uit halen. In dit voorbeeld zou men dus een asset vervangen voor de 74e week maar is dat dan ‘just in time’ of is dit kapitaalvernietiging?’ Data kan dus vaak in eerste instantie juist tot verwarring leiden in plaats van inzicht. ‘Maar geef niet op’, zegt Decaigny. ‘Ga data combineren. Gebruik andere modellen waarin andere waarden tegen de Time To Failure worden afgezet. Of focus op de pieken. Wat ligt hieraan ten grondslag?’

Big data

Mainnovation heeft klanten binnen de sectoren plants, fleet en infra. Dit betekent een grote veelzijdigheid in assets. Van energiecentrales, tankopslagbedrijven en industriële installaties, tot vloten van transportmiddelen en diverse infrastructuur beheerders. ‘Iedere asset is uniek. Zelfs vergelijkbare assets hebben unieke factoren zoals de wijze van gebruik, de mate van onderhoud waarbij ook de skills en tools van de operators en de technische dienst van invloed zijn’, legt Decaigny uit. ‘Verder zijn er bijvoorbeeld weersinvloeden of de druk of luchtvochtigheid die nadelige effecten kunnen hebben op de materialen. We kennen de term ‘een maandagochtend-product’ maar eigenlijk zou dat moeten worden aangepast naar een dinsdagmiddag-product want statistisch gezien blijkt dat een slecht productiemoment. Hoe dat komt? Wie het weet mag het zeggen.’ Daarmee wil Decaigny maar benadrukken dat we niet zomaar klakkeloos van cijfers uit kunnen gaan. ‘Het begint met data en door hiermee aan de slag te gaan, kun je de data verbeteren. Dan zal duidelijk worden dat de factor ‘temperatuur’ – om maar een voorbeeld te noemen – ook moet worden meegewogen. En wie weet ontdek je zo dat de operator van de donderdagmiddag er de voorkeur voor heeft om met een geopend raam te werken.’

Waardedrijvers

Een juiste analyse van de beschikbare data is dus van groot belang. Niet alleen als er minimale data beschikbaar is, maar ook wanneer we gebruik maken van big data en diverse externe factoren laten meewegen. Het wordt dan bovendien steeds moeilijker om appels met appels te vergelijken en conclusies te trekken.
Een andere insteek om aan de slag te gaan met data is om eerst te bepalen wat de belangrijkste waardedrijver is. In andere woorden: waar moeten we op sturen om met onderhoud waarde te creëren en een positieve bijdrage te leveren aan het bedrijfsresultaat. ‘Dat kan per onderneming, zelfs per fabriek verschillen’, legt Decaigny uit. ‘Waar de een wil sturen op maximale uptime omdat de vraag naar het product zeer groot is, moet de andere wellicht de pijlen richten op kostenreductie. Ook zit er waarde in het reduceren van (veiligheids)risico’s of wellicht is het beter om nu te investeren in modernisering omdat dit op de langere termijn van economisch toegevoegde waarde is.’ Dit zijn de vier waardedrijvers uit Mainnovations VDM^XL methodologie. ‘En wie vier richting op wil sturen, staat uiteindelijk stil, dus dat is nooit een goed idee.’

Vergelijken

Waar het in het eerste voorbeeld – de organisatie waar het draaide om het minimaliseren van de downtime – draaide om asset utilization en dus het verbeteren van de uptime, kiezen we hier voor de waardedrijver cost control. Als dit de missie is zouden we data moeten verzamelen die helpen om beslissingen te nemen over de operational expenditures, de OPEX. Maar hoe weet je of deze kosten te hoog zijn en eventueel verlaagd kunnen worden? Op deze vraag heeft Decaigny een eenvoudig antwoord: ‘Vergelijken, of terwijl benchmarken.’ Mainnovation beschikt over een benchmark database van meer dan 1000 ondernemingen. Het vergelijken van data met bedrijven in dezelfde branche, geeft een realistisch beeld van het verbeterpotentieel. Door het investeringsbedrag te delen door de vervangingswaarde kunnen grote bedrijven en kleine bedrijven toch met elkaar vergeleken worden. Decaigny: ‘Big data is hier geen must, maar het is wel zaak om te kiezen voor de juiste data. Door vervolgens appels met appels te vergelijken weet je waar je staat en wat de mogelijkheden zijn om stappen te zetten die je dichter bij je bedrijfsdoelstelling brengen.’
We hebben dus gezien dat het goed is om de sprong te wagen en gewoon van start te gaan. Al lijkt het los zand, je kunt al snel zandkastelen bouwen. Een laatste tip die Decaigny ook nog graag meegeeft is: ‘Maak het zichtbaar. Neem de werkvloer mee in dit verhaal. Toon de data, laat de verbeteringen zien zodat men ook begrijpt aan welke knoppen ze moeten draaien – letterlijk of figuurlijk – om de cijfers nog positiever te krijgen.’