L’importanza dei dati nell’era 4.0, imparare a riconoscere i Dark data

Lo sviluppo di molteplici tecnologie, come l’Internet of Things (IoT) e le Big data analytics, di smart device e applicazioni software, ha comportato una crescita esponenziale del volume di dati generato all’interno delle organizzazioni. Le realtà manifatturiere sono state tra le prime a essere coinvolte da tale fenomeno perché guidate dalla Digital transformation, nello scenario industriale 4.0.

Con la stessa velocità con cui è cresciuta la generazione di dati sono cresciute anche le sfide e le opportunità di utilizzo delle cosiddette ‘Industrial Big data analytics’, in termini di realtime analysis e decision making. Le organizzazioni riconoscono il valore posseduto dai dati e si adoperano per una loro gestione efficiente ed efficace, consolidandosi sempre più in modelli di business di tipo Data-driven.

I dati vengono generati durante ogni attività quotidiana, da svariate sorgenti e in differenti formati e le organizzazioni necessitano di strumenti e competenze adeguate, per analizzarli correttamente. Un’azienda basata sui dati possiede capacità avanzate di supporto ai processi decisionali e abilità di incrementare la propria produttività del 5% e la propria profittabilità del 6% (McAfee e Brynjolfsson, 2012).

IDC (Reinsel et al., 2018) stima che entro il 2025 circa 90 zettabyte di dati verranno generati direttamente dalle tecnologie IoT, il 49% di essi verrà storicizzato in Cloud storage pubblici e circa il 30% dovrà essere elaborato in tempo reale. In realtà, nel 2013, solo il 22% dei dati mondiali generati da sorgenti IoT è risultato potenzialmente analizzabile e, di questi, solo il 5% è stato realmente analizzato (Dell Technologies, 2014).

Le organizzazioni trovano difficoltà nell’analisi integrale dei dati, non riuscendo a estrarre più del 30% del loro potenziale valore (McKinsey & Company, 2016). I tool relazionali tradizionali permettono l’analisi di dati strutturati e pre modellati, ma accanto a essi esistono dati non aventi una struttura ben definita e che necessitano, dunque, di essere processati in real time e nel loro formato nativo, i cosiddetti Dark data.

Questi rappresentano la più grande quota parte dei Big data all’interno di un’organizzazione (Intel, 2018). Capire come poterli collezionare, gestire e integrare è una strategia fondamentale per migliorare gli output delle analitiche, potenziare le attività di Business intelligence, e offrire al management un supporto più robusto nei processi decisionali.

I Big data nel Manufacturing: una scelta strategica

I Big data si identificano come tecnologia dominante del XXI secolo e fra tutti i settori industriali, quello manifatturiero è stato tra i primi utilizzatori intensivi dei dati lungo l’intera value chain. Le aziende impiegano tecnologie innovative e generano una crescente mole di dati, classificabili secondo due dimensioni: struttura (structured, unstructured, semi-structured) e sorgente (interna o esterna all’organizzazione).

Le organizzazioni tendono a fare leva sui dati e sulle tecnologie digitali per supportare le proprie scelte strategiche, acquisire capacità d’innovazione, catturare il valore richiesto dal mercato ed essere maggiormente competitive. Si stima che un’organizzazione che adotti la tecnologia dei Big data abbia un potenziale incremento del proprio margine di profitto di circa il 60% (Nedelcu, 2013).

Attraverso l’utilizzo di tecnologie IT e processi automatizzati è possibile realizzare configurazioni aziendali avanzate per migliorare la qualità, l’efficienza e la produttività del business e garantire elevati livelli di servizio per il cliente. Negli anni sono nati svariati paradigmi sull’Advanced manufacturing: Lean, JIT, Agile, Green e Sustainable (Ren et al., 2019).

La rapida diffusione della digitization ha posto le basi per la trasformazione delle organizzazioni in Smart manufacturing facilities, un nuovo modello basato sul concetto di network, e Service oriented manufacturing. Le tecnologie dominanti in questo modello, quali l’IoT, i Cyber Physical Systems (CPS), l’Intelligenza Artificiale (AI) e le Big data analytics, permettono di generare, recuperare e sfruttare dati in real time e integrarli con dati storici, con lo scopo di realizzare analitiche avanzate (Qi e Tao, 2018).

I Big data nel Manufacturing permettono di accelerare il processo di sviluppo prodotto supportando i progettisti e riducendo i costi di produzione, ottimizzare la produttività realizzando analisi predittive, garantire la collaborazione attraverso l’integrazione di dati provenienti da diversi sistemi aziendali, abilitare l’utilizzo della tecnologia IoT per realizzare modelli digitali riferiti al prodotto, allo shop-floor o al processo, migliorare le previsioni della domanda lungo l’intera Supply chain, rendere disponibili dati di utilizzo del prodotto da parte del cliente per migliorarne il design o le funzionalità.

I Big data si focalizzano sull’elaborazione dei dati per estrarre informazioni di valore, partendo da molteplici e vasti dataset storici integrati con quelli real time. Utilizzano strumenti di Analytics per comprendere il comportamento e le relazioni esistenti tra features, effettuare previsioni su trend e supportare gli utenti nel processo decisionale.

Gli elementi essenziali da considerare in un ‘Big data ecosystem’ e che permettono di costruire una piattaforma adeguata di Big data analytics per servire al meglio le Smart manufacturing facilities sono (Cui et al., 2019): “data ingestion-inception, storage, computation, analytics, visualization, workflow and dataflow, Data management, infrastructure and deployment model, cybersecurity”.

Parallelamente al paradigma delle Smart manufacturing (SM) emerge il concetto di Manufacturing as a Service (MaaS; Kusiak, 2017) che consiste nella collaborazione su larga scala di organizzazioni operanti nel settore per facilitare l’intero processo produttivo, ridurre i costi operativi e garantire la personalizzazione dei prodotti.

Le linee produttive risultano condivise in ottica globale per permettere la realizzazione e la customizzazione dei prodotti-componenti nell’area geografica d’interesse, mediando problematiche legate all’eccessivo effort e alla limitata capacità produttiva.

Vito Del Vecchio, Manuela Marra, Anna Maria Crespino, Mariangela Lazoi