Mitä data-analyysi on?

Mittaustiedonkeruu ja informaation jalostaminen on noussut viime vuosina eräänlaiseksi ”hype”-aiheeksi, jossa kaikki haluavat olla mukana. On kuitenkin huomattava, että mittausinformaation jalostamista on tehty teollisuus- ja energia-aloilla monessa yrityksessä jo vuosia. Olennaista tämän tyyppisessä työssä onkin löytää uusia sovelluskohteita analyysiin ja kehittää sellaisia työkaluja, joilla tulokset johtavat toimenpiteisiin ja tehostamistoimiin.

Mitä data-analyysi on?

Data-analyysillä voidaan tarkoittaa useita eri asioita. Perinteisesti data-analyysillä tarkoitetaan tieteellisiä tarkasteluja joissa pyritään todentamaan jokin hypoteesi tilastollisia menetelmiä hyödyntäen. Teollisuuden ja energiayhtiöiden parissa data-analyysiä on hyödynnetty jo pitkään ongelman ratkaisussa ja prosessin kehitystehtävissä. Viime vuosina on myös yhä enemmän alettu puhua datan louhinnasta, jossa datamassasta pyritään löytämään tilastollisesti uusia ilmiöitä, riippuvuuksia ja säännönmukaisuuksia sekä kehittämään prosessien toiminnan ennustettavuutta. Tämän lisäksi tarkasteluissa pyritään myös hyödyntämään eri tiedonlähteistä saatavia tietomassoja, jolloin kokonaisuuteen linkittyy myös teollisen internetin eri mahdollisuudet.

Viime aikoina teollisuuden parissa on alkanut nousta huoli siitä, että data kyllä kerätään paljon, mutta sen kokonaisvaltainen hyödyntäminen on haastavaa muun muassa resursoinnin ja asiantuntemuksen näkökulmasta. Erityisen vaikeaksi datan hyödyntäminen koetaan muun kuin ydintoiminnan tarpeisiin, jolloin esimerkiksi kunnossapidon ja energiatehokkuuden parantaminen data-analyysin avulla on teollisuusyrityksissä ollut varsin vähäistä. Olennaista tämän tyyppisissä tarkasteluissa on yhdistää energiankulutus-, tuotanto-, prosessi-, laite- ja tuotedata sekä löytää tätä kautta uusia toiminta- ja ajomalleja. Tämän tyyppinen kokonaisuus muodostuu hyvin monimutkaiseksi, jolloin käytettävät menetelmät ja työkalut täytyy valita tarkkaan. Lisäksi tulosten visualisointi ja konkretisointi nousee olennaiseen rooliin, jotta monimutkainen kokonaisuus saadaan tiivistettyä käyttökelpoiseen muotoon.

Tyypillisiä haasteita, joihin hyvin suunniteltu ja toteutettu data-analyysi tuo ratkaisuja

1. Paljon mittausdataa, eikä sitä juurikaan hyödynnetä resurssien tai muiden puutteiden vuoksi
2. Hajanaiset mittausjärjestelmät, eikä kokonaisuutta pystytä hallitsemaan
3. Tuotannon kustannukset/tuotantotehokkuus vaihtelee, eikä sen syytä ole löydetty/tunneta
4. Laiterikkojen ennakointi haasteellista, vaikka dataa jo kerätään
5. Tiedonkeruujärjestelmiä ja mittauksia ei ole tai ne eivät vastaa tarvetta
6. Tuotannon energian- ja/tai vedenkulutus vaihtelee ajovuorojen tai tuotantolajien suhteen merkittävästi
7. Halu hyödyntää olemassa olevia mittareita erilaisiin tehokkuusanalyyseihin, jolloin tarkastelut olisivat kustannustehokkaita ja nopeasti toteutettavissa