Ricevi gli ultimi aggiornamenti da Hortonworks tramite e-mail

Una volta al mese, ricevi gli approfondimenti, le tendenze, le informazioni analitiche e la conoscenza approfondita dei big data.

invito all'azione

Per iniziare

cloud

Sei pronto per cominciare?

Scarica Sandbox

Come possiamo aiutarti?

chiudiPulsante di chiusura
invito all'azione

I big data per il settore produttivo e
lo stabilimento IoT connesso

cloud Hortonworks è un leader. Leggi Forrester Wave.

Download Report

Un approccio più intelligente

La chiave della produzione è l'efficienza. Grazie a dispositivi connessi, Internet of Things (IoT), analitica predittiva e machine learning, le aziende di produzione possono ora sfruttare i big data per ottenere la massima efficienza e vincere la concorrenza proponendo prodotti migliori, riducendo i costi e aumentando la soddisfazione dei clienti.

Altre informazioni

Trasformare i dati in prodotti di qualità e processi efficienti

Con sensori dal costo relativamente basso e dispositivi IoT è ora possibile raccogliere e trasmettere con frequenza elevata dati in molte fasi della catena di approvvigionamento delle aziende di produzione: uffici di progettazione, catena di approvvigionamento, linea di produzione e operazioni legate alle garanzie. Hortonworks DataFlow (HDF™) raccoglie in sicurezza e in tempo reale dati in movimento provenienti dai sensori, permettendo alle aziende di produzione di identificare velocemente i problemi nel momento in cui si verificano, ovunque si presentino. Hortonworks Data Platform permette analitiche storiche su dati inadatti alle piattaforme tradizionali, aiutando il personale tecnico a passare da un modello reattivo di risposta agli errori a un miglioramento proattivo del processo.

casi d'uso

Garantire consegne just-in-time delle materie prime,

Per le aziende di produzione è fondamentale ridurre al minimo le scorte di magazzino, a favore di consegne just-in-time delle materie prime. Tuttavia, l'esaurimento delle scorte può provocare dannosi ritardi nella produzione. Con i sensori, i tag RFID e l'IoT si può ridurre il costo dell'acquisizione dei dati della catena logistica. Questo crea però un flusso ampio e continuo di dati. Con Hadoop tali dati non strutturati possono essere archiviati a un costo relativamente basso. Le aziende ottengono così una visione migliore della cronologia delle proprie catene logistiche, individuando schemi ampi che potrebbero non essere rilevabili in presenza di dati riferiti soltanto a pochi mesi. Questo tipo di intelligenza offre alle imprese più tempo per risolvere eventuali problemi dovuti a interruzioni della catena logistica, consentendo inoltre di ridurre i relativi costi e migliorare i margini sul prodotto finito.


Controllo qualità con dati in tempo reale e storici sulla catena di montaggio

Per acquisire dati nelle fasi critiche della produzione, le aziende di prodotti hi-tech utilizzano dei sensori. I dati così ottenuti si rivelano utili per individuare i problemi nel momento stesso in cui si verificano durante la produzione. Tuttavia, alcuni problemi impercettibili (quello che non sappiamo di non sapere) potrebbero non essere notati, ma portare comunque a maggiori percentuali di prodotti che risultano difettosi dopo l'acquisto. Nel caso di reso di un articolo difettoso, il produttore può eseguire test sulla conformità legale del prodotto e combinare i dati risultanti con quelli ottenuti dai sensori nella fase di produzione. L'uso dei big data nel settore produttivo consente di ottenere una maggiore visibilità su un ampio numero di prodotti, aiutando l'azienda a migliorare processo e prodotti a livelli non raggiungibili in assenza di un numero sufficiente di dati.


Evitare interruzioni con la manutenzione proattiva delle attrezzature

I flussi produttivi attuali prevedono il coordinamento di macchinari sofisticati in precise fasi predefinite. Il malfunzionamento di un macchinario può provocare l'interruzione della linea di produzione, mentre la manutenzione prematura comporta dei costi. Per una programmazione ottimale, gli interventi di manutenzione e riparazione non devono avvenire né troppo presto, né troppo tardi. Gli algoritmi di machine learning possono mettere a confronto gli interventi di manutenzione e i dati di ogni macchinario con la relativa cronologia di malfunzionamento. Grazie a questi algoritmi è possibile ottenere una programmazione ottimale della manutenzione, basata su informazioni in tempo reale e dati storici. L'uso dell'analitica predittiva per la produzione consente di massimizzare l'utilizzo delle attrezzature, riducendo al minimo le spese per impianti e attrezzature ed evitando interruzioni inaspettate del lavoro.


Maggiore produttività in campo farmaceutico

La produzione biofarmaceutica richiede un monitoraggio e un controllo attento delle condizioni ambientali. L'obiettivo di ogni ciclo di produzione è massimizzare il rendimento al primo passaggio (First Time Yield, FTY) che misura il numero di prodotti realizzati correttamente dopo il primo passaggio attraverso la linea di produzione. Ogni punto percentuale in più nell'FTY rappresenta una riduzione significativa del costo di produzione. I miglioramenti dell'FTY sono spesso ostacolati da una scarsa visibilità sulle operazioni. L'uso di sensori può fornire dati grezzi che, se integrati con altri archivi di dati esistenti, possono migliorare questa visibilità. Con un data lake Hadoop questa integrazione risulta più semplice, perché Hadoop non richiede la definizione di uno schema a priori prima dell'acquisizione. Inoltre, il minore costo di archiviazione di Hadoop significa che un cluster può archiviare un numero più ampio di dati, in più formati, per periodi di tempo maggiori, per scoprire nuove relazioni fra i dati stessi. Leggi come Merck Research Laboratories ha ottimizzato la produzione in campo farmaceutico grazie a Hortonworks Data Platform.

Assicurazione qualità in crowdsourcing

Anche prodotti sottoposti a test accurati possono presentare problemi post-vendita. Talvolta i clienti non riferiscono i problemi al produttore, ma se ne lamentano con amici, famigliari o sulle reti social, creando un flusso di dati sui problemi dei prodotti che può ampliare il feedback ottenuto attraverso i canali tradizionali dell'assistenza. Hadoop archivia enormi volumi di dati sul sentiment ricavati dai social media. Ricercare questi dati significa poter individuare precocemente i segnali che indicano l'andamento di un prodotto durante tutto il suo ciclo di vita. Venire a conoscenza dei problemi tempestivamente e agire subito per proteggere la reputazione di un prodotto è fondamentale per ottenere e mantenere la fedeltà dei clienti.