Η Contextere λανσάρει το Madison, μια μηχανή διορατικών πληροφοριών για το βιομηχανικό εργατικό δυναμικό πρώτης γραμμής

Κάθε μέρα, εκατομμύρια άνδρες και γυναίκες σε βιομηχανικούς οργανισμούς σε όλο τον κόσμο περνούν πάνω από το 30% της εργάσιμης ημέρας τους σε δραστηριότητες μη παραγωγικού χρόνου (NPT).[I]. Δεν χάνουν άπραγα χρόνο, αλλά προσπαθούν ενεργά να βρουν τις σωστές πληροφορίες, περιμένοντας καθοδήγηση ή προσπαθούν να συντονιστούν με άλλες ομάδες εργασίας. Ενώ αυτή η κατάσταση υπάρχει σε όλες τις εταιρείες και σε όλες τις βιομηχανίες, είναι ιδιαίτερα ενδημική στις δραστηριότητες τεχνικής συντήρησης και λειτουργίας. Η κατάσταση που επιδεινώνεται είναι ότι όταν αυτοί οι εργαζόμενοι έχουν τις πληροφορίες που χρειάζονται, είναι πιθανό να κάνουν τη δουλειά λανθασμένα στο 25% των περιπτώσεων[II]. Αυτό το αυξημένο ποσοστό ανθρώπινου λάθους (HER) οδηγεί σε δαπανηρή επανεπεξεργασία καθώς και σε αυξημένες πιθανότητες καταστροφικής βλάβης εξοπλισμού και ανθρώπινου τραυματισμού.

Οι αιτίες του υψηλού NPT και της HER στη βιομηχανική πρώτη γραμμή μπορεί να είναι τόσο διαφορετικές όσο και οι εταιρείες που αντιμετωπίζουν το πρόβλημα. Στους περισσότερους οργανισμούς, τα δεδομένα παγιδεύονται σε σιλό και η συνάφεια με τα συμφραζόμενα σε λειτουργικούς τομείς και δραστηριότητες συχνά χάνεται. Τα συστήματα τεχνολογίας πληροφοριών παραμένουν αποσυνδεδεμένα από τα λειτουργικά συστήματα τεχνολογίας, γεγονός που εμποδίζει τις κρίσιμες πληροφορίες να φτάσουν στους εργαζόμενους στο τελευταίο τακτικό μίλι. Και παρά τις τεράστιες εταιρικές επενδύσεις στη συλλογή δεδομένων και στην ανάλυση, η εφαρμογή αυτών των πληροφοριών παραμένει περιορισμένη στις λειτουργίες των κεντρικών γραφείων – επιχειρηματική αποδοτικότητα και βελτιστοποίηση παραγωγής και σχεδιασμό επενδύσεων κεφαλαίου εξοπλισμού. Οι εργαζόμενοι στην πρώτη γραμμή σπάνια έχουν πρόσβαση σε πληροφορίες που μπορεί να σχετίζονται με τη λήψη αποφάσεων και τις δραστηριότητές τους.

Η όξυνση των εμποδίων που περιγράφονται παραπάνω είναι ένα θεμελιώδες διαρθρωτικό ζήτημα που εξακολουθεί να επηρεάζει τις εταιρείες – ένα χάσμα δεξιοτήτων εργατικού δυναμικού. Η υιοθέτηση νέων τεχνολογιών και οι αλλαγές στα δημογραφικά στοιχεία έχουν αλλάξει ριζικά τον τρόπο με τον οποίο οι οργανισμοί διεξάγουν τις επιχειρήσεις τους και το είδος των δεξιοτήτων που απαιτούνται στο εργατικό δυναμικό τους. Η επιτάχυνση της συνταξιοδότησης του εργατικού δυναμικού και ο υπερβολικά μεγάλος χρόνος για την επάρκεια κατά την ενσωμάτωση νέου προσωπικού έχει ως αποτέλεσμα την απώλεια σιωπηρής γνώσης ειδικών και την έλλειψη ειδικευμένου προσωπικού. Αυτό το χάσμα δεξιοτήτων επιδεινώνει το NPT και το HER καθώς μικρότερες ομάδες πιο άπειρων εργαζομένων πρέπει να συντηρούν, να επισκευάζουν και να χειρίζονται όλο και πιο περίπλοκο εξοπλισμό με λιγότερες γνώσεις και λιγότερους διαθέσιμους πόρους.

Το Madison Insight Engine, που κυκλοφόρησε πρόσφατα από το μέλος της AREA Contextere, είναι η πρώτη λύση που συνδυάζει την εξαγωγή δεδομένων, τη μηχανική εκμάθηση και την κατανόηση φυσικής γλώσσας για την παροχή πληροφοριών και υποστήριξης αποφάσεων σε τεχνικούς πρώτης γραμμής που συντηρούν, επισκευάζουν, χειρίζονται και κατασκευάζουν περίπλοκο εξοπλισμό. Αυτή η ικανότητα επιτρέπει στους βιομηχανικούς εργαζομένους να κάνουν τη δουλειά σωστά την πρώτη φορά, να αναπτύξουν τις γνώσεις και τις δεξιότητές τους στην εργασία και να βελτιώσουν την παραγωγικότητα και την ασφάλειά τους.

Αναγνωρίζοντας την Contextere στην αναφορά Cool Vendors for the Digital Workplace 2020[III], η Gartner σημείωσε ότι οι μηχανές ανάλυσης και πληροφοριών «συνήθως επικεντρώνονται στις ανάγκες των εργαζομένων που βασίζονται στο γραφείο σε μεγάλους οργανισμούς», ενώ το Madison Insight Engine είναι μοναδικό στο ότι «χρησιμοποιεί μόνο το πλαίσιο για να παρέχει προληπτικά όλες τις σχετικές πληροφορίες που απαιτούνται για την ολοκλήρωση μιας task» ανεξάρτητα από την τοποθεσία χρήστη ή τον τομέα.

Η Madison εφαρμόζει τη μηχανική εκμάθηση μαζί με την επεξεργασία φυσικής γλώσσας για την παροχή επιμελημένης καθοδήγησης προληπτικά και προγνωστικά σε έναν τεχνικό ή αναλυτή σε ένα βιομηχανικό περιβάλλον με βάση το εξελισσόμενο τοπικό τους πλαίσιο σε πραγματικό χρόνο. Το επίκεντρο των αλγορίθμων Madison είναι να προσδιορίσουν και να παραδώσουν ακριβώς τη σωστή πληροφορία – μια αναγωγική προσέγγιση για την επιμέλεια του τεράστιου όγκου των διαθέσιμων εταιρικών δεδομένων.

Βιομηχανικές οργανώσεις σε όλο τον κόσμο επιδιώκουν να αντιμετωπίσουν ζητήματα παραγωγικότητας και διευρυνόμενο χάσμα δεξιοτήτων στο εργατικό τους δυναμικό πρώτης γραμμής. Παρέχοντας κρίσιμες πληροφορίες προληπτικά, όταν και όπου χρειάζεται, το Madison Insight Engine δίνει τη δυνατότητα σε κάθε βιομηχανικό εργάτη να αυξάνει συνεχώς τις γνώσεις και τις ικανότητές του στην εργασία του, να εκτελεί τα καθήκοντά του με ασφάλεια και να είναι ο καλύτερος παραγωγικός του. Με τη σειρά τους, οι εταιρείες λαμβάνουν το πλεονέκτημα της αποτελεσματικής ανάπτυξης εργατικού δυναμικού, του μέγιστου χρόνου λειτουργίας του εξοπλισμού και της βέλτιστης απόδοσης ανθρώπου-μηχανής. Για να μάθετε περισσότερα και να δείτε μια επίδειξη του Μάντισον, πηγαίνετε εδώ.

[I] Slaughter, A, Bean, G., & Mittal, A. (2015, 14 Αυγούστου). Συνδεδεμένα βαρέλια: Μεταμόρφωση στρατηγικών πετρελαίου και φυσικού αερίου με το Διαδίκτυο των Πραγμάτων. Ανακτήθηκε από http://dupress.com/articles/ internet-of-things-iot-in-oil-and-gas-industry/

[II] Lyden, S. (2015). Ποσοστό επιδιόρθωσης για πρώτη φορά: Κορυφαίες 5 μετρήσεις ισχύος υπηρεσιών πεδίου. Ανακτήθηκε από https://www.servicemax.com/uk/fsd/2015/04/13/first-time-fix-rate-field-service-metrics-that-matter/

[III] https://www.gartner.com/en/documents/3985043