Effectieve inzet van data kan je bedrijfsprocessen enorm verbeteren. Bij Tata Steel weten ze er alles van. Menno van der Winden, General Manager Advanced Analytics, deelt een aantal best practices en vertelt over de manier waarop ze ermee bezig zijn op het gigantische industriecomplex in Noord-Holland.

Menno van der Winden is naar eigen zeggen een “hardcore metallurg” die gegrepen raakte door big data en data science. Na zijn studie aan de TU Delft en zijn promotie aan de Universiteit van Sheffield belandde hij bij het toenmalige Koninklijke Hoogovens, later Corus, en inmiddels Tata Steel. ‘Mijn fascinatie voor de mogelijkheden met data begon in 2016 met onderzoek naar een hardnekkig kwaliteitsprobleem in een van onze 16.000 producten, vertelt Menno. ‘We kregen de grondoorzaak daarvan maar niet boven water totdat we data en machine learning inzetten om te achterhalen waar het mis ging. Toen ervaarde ik opeens de meerwaarde van zulke tools. Vanaf die tijd ben ik steeds verder gegaan met Artificial Intelligence (AI) en machine learning, wat leidde tot meer inzet van data bij het verbeteren van onze processen.’

AI is dom

Bij deze inzet van data heeft Menno maar heel beperkt de hulp van externe consultants ingeroepen. ‘We hebben hier heel veel inhoudelijke deskundigheid over onze materialen en processen. En voor mij zit de meerwaarde ‘m vooral in de combinatie van materiaaldeskundigheid en een AI-toepassing. Want op zich is kunstmatige intelligentie dom; het wordt pas intelligent wanneer deskundigen er waardevolle en correcte data aan toevoegen. Anders creëer je onzin.’

Vier prioriteiten

In de afgelopen jaren lanceerde Tata Steel de term “data driven steel”. Menno: ‘Daarmee bedoelen we in feite de digitalisering van het hele bedrijfsproces. We werken daarin met vier prioriteiten. Ten eerste is dat AI en machine learning: hoe neem je beslissingen op basis van datastromen? De tweede is dashboarding. Dat is superbelangrijk en zorgt ervoor dat de opgedane kennis wordt gevisualiseerd. Vergelijk het met een moderne auto: die zit zo boordevol technologie dat hij allerlei beslissingen zelf kan nemen, en heeft toch een dashboard waarop je als bestuurder zelf alle relevante informatie kunt zien en op basis daarvan kun je beslissingen nemen. Als derde prioriteit hebben we verschillende apps. Dat zijn kleine programmaatjes die herhalende processen vergemakkelijken. Dat kan variëren van robotic process automation tot een QR-code om specifieke boutjes te bestellen. En als vierde en laatste gaat het om “data over de keten”. We willen zoveel mogelijk van onze data gaan integreren met die van leveranciers en klanten. Idealiter loopt dat data-deel-proces vanaf de mijn waar onze grondstoffen vandaan komen tot en met het recyclebedrijf waar de eindproducten gereed gemaakt worden voor hergebruik. Randvoorwaarden hierbij zijn security – we willen natuurlijk de data maximaal beveiligen – en data governance, omdat de kwaliteit van de tools afhankelijk is van de gebruikte data.’

Doelen

En wat bereik je nu met al dat datagebruik? ‘Inzet van data heeft voor ons verschillende doelen’, vertelt Menno. ‘We gebruiken het voor duurzaamheidsdoelen: minder energiegebruik, reductie van CO2-uitstoot, voorkomen van geurhinder en stof. Ook zijn er economische targets, bijvoorbeeld winst in efficiency, betere kwaliteit en minder gebruik van energie en grondstoffen. Bovendien zetten we het in om onze medewerkers te ontlasten. Er is immers al een groot tekort aan technische werknemers, dus hoe meer we kunnen automatiseren hoe beter.’

Begin gewoon!

Ook andere industriële bedrijven kunnen hun voordeel doen met data, is Menno’s stellige overtuiging. En de drempel daarvoor hoeft helemaal niet hoog te liggen. ‘Mijn belangrijkste advies is: begin gewoon! Denk eens na over wat je grootste uitdagingen zijn, bijvoorbeeld in je onderhoud, je kwaliteit of je productiesnelheid. Dit zijn typisch onderwerpen waarin je met data verbeteringen kunt aanbrengen. Vervolgens kun je beginnen met het betrekken van je medewerkers. Kijk eens rond in je organisatie. Zijn er wellicht mensen van wie je al weet dat ze belangstelling hebben voor data? Ken je misschien iemand die zijn hele huis al “smart” gemaakt heeft? Of iemand die het internet afstruint naar de werking van neurale netwerken? Grote kans dat zo iemand graag meedoet aan een interne opleiding of een specifiek dataproject. Veel organisaties hebben veel meer datatalent in huis dan ze denken. En er is ook best veel informatie over slim datagebruik online te vinden waarmee je zelf kunt beginnen.’

Valkuilen

Valkuilen zijn er vanzelfsprekend ook als je begint met data science. ‘Het mag geen hobbyisme worden’, waarschuwt Menno. ‘Want dat hebben wij natuurlijk ook meegemaakt. Daarom hebben we afgesproken dat elk dataproject een “use case” moet hebben die beschrijft "wie" met het betreffende systeem "wat" kan doen: jouw project moet een probleem oplossen of we beginnen er niet aan. Daarnaast moet je heel goed begrijpen dat mensen soms helemaal niet op jouw geniale oplossing zitten te wachten. Je moet dus ook nadenken over hoe je je oplossing “aan de man” brengt en je een echt duurzame verandering bewerkstelligt. De data-analyse en de daaruit volgende mogelijke verbeteringen zijn vrijwel onbeperkt, maar het gaat om de toepassing ervan in de praktijk. Hoe zorg je ervoor dat de opgedane kennis ook om 3 uur ’s nachts door de operator in de controlekamer juist wordt toegepast? Dat is inmiddels een veel belangrijker vraag.’