Contextere lancia Madison, un motore di analisi per la forza lavoro industriale in prima linea

Ogni giorno, milioni di uomini e donne nelle organizzazioni industriali di tutto il mondo trascorrono oltre il 30% della giornata lavorativa in attività a tempo non produttivo (NPT)[I]. Non stanno sprecando pigramente tempo, piuttosto stanno attivamente cercando di trovare le informazioni giuste, aspettando una guida o tentando di coordinarsi con altri gruppi di lavoro. Sebbene questa condizione esista in tutte le aziende e in tutti i settori, è particolarmente endemica all'interno delle attività di manutenzione tecnica e operativa. Ad aggravare la situazione è che una volta che questi lavoratori hanno le informazioni di cui hanno bisogno, è ancora probabile che svolgano il lavoro in modo errato il 25% delle volte[Ii]. Questo elevato tasso di errore umano (HER) si traduce in costose rilavorazioni, nonché in un aumento del potenziale di guasti catastrofici alle apparecchiature e lesioni umane.

Le cause dell'alto NPT e HER in prima linea industriale possono essere varie quanto le aziende che sperimentano il problema. Nella maggior parte delle organizzazioni, i dati sono intrappolati in silos e la rilevanza contestuale tra i domini e le attività funzionali viene spesso persa. I sistemi di tecnologia dell'informazione rimangono disconnessi dai sistemi di tecnologia operativa, il che impedisce alle informazioni critiche di raggiungere i lavoratori nell'ultimo miglio tattico. E nonostante i massicci investimenti aziendali nell'acquisizione e nell'analisi dei dati, l'applicazione di tali informazioni rimane vincolata alle operazioni della sede centrale: efficienza aziendale e ottimizzazione della produzione e pianificazione degli investimenti in beni strumentali. I lavoratori in prima linea hanno raramente accesso a informazioni che possono essere rilevanti per il proprio processo decisionale e le proprie attività.

L'esacerbazione degli ostacoli sopra delineati è una questione strutturale fondamentale che continua a incidere sulle aziende: un divario di competenze della forza lavoro. L'adozione di nuove tecnologie e i cambiamenti demografici hanno trasformato radicalmente il modo in cui le organizzazioni conducono gli affari e il tipo di competenze necessarie nella loro forza lavoro. L'accelerazione del pensionamento della forza lavoro e un tempo troppo lungo per l'acquisizione di competenze durante l'assunzione di nuovo personale si traducono nella perdita di tacite conoscenze specialistiche e nella mancanza di personale qualificato. Questo divario di competenze peggiora NPT e HER poiché squadre più piccole di lavoratori più inesperti devono mantenere, riparare e utilizzare apparecchiature sempre più complesse con meno conoscenze e meno risorse a loro disposizione.

Il Madison Insight Engine, lanciato di recente dal membro di AREA Contestare, è la prima soluzione che combina l'estrazione dei dati, l'apprendimento automatico e la comprensione del linguaggio naturale per fornire approfondimenti e supporto decisionale agli operatori tecnici in prima linea che si occupano della manutenzione, della riparazione, del funzionamento e della produzione di apparecchiature complesse. Questa capacità consente ai lavoratori dell'industria di svolgere il lavoro correttamente la prima volta, di sviluppare le proprie conoscenze e abilità sul lavoro e di migliorare la propria produttività e sicurezza.

Nel riconoscere Contextere nel suo rapporto 2020 Cool Vendors for the Digital Workplace[Iii], Gartner ha osservato che i motori di analisi e approfondimenti "tipicamente si concentrano sulle esigenze dei lavoratori fissi nelle grandi organizzazioni", mentre il Madison Insight Engine è unico in quanto "utilizza il solo contesto per fornire in modo proattivo tutte le informazioni pertinenti necessarie per completare un task” indipendentemente dalla posizione dell'utente o dal dominio.

Madison applica l'apprendimento automatico insieme all'elaborazione del linguaggio naturale conversazionale per fornire una guida curata in modo proattivo e predittivo a un tecnico o analista in un ambiente industriale in base all'evoluzione del contesto locale in tempo reale. L'obiettivo degli algoritmi di Madison è determinare e fornire la giusta informazione: un approccio riduzionista alla cura della grande quantità di dati aziendali disponibili.

Le organizzazioni industriali di tutto il mondo stanno cercando di affrontare i problemi di produttività e un crescente divario di competenze nella loro forza lavoro in prima linea. Fornendo informazioni critiche in modo proattivo, quando e dove è necessario, il Madison Insight Engine consente a ogni lavoratore industriale di accrescere continuamente le proprie conoscenze e competenze sul lavoro, svolgere i propri compiti in sicurezza ed essere al meglio della propria produttività. A loro volta, le aziende beneficiano di uno sviluppo efficace della forza lavoro, dei massimi tempi di attività delle apparecchiature e di prestazioni uomo-macchina ottimali. Per saperne di più e vedere una dimostrazione di Madison, vai qui.

[I] Slaughter, A, Bean, G. e Mittal, A. (2015, 14 agosto). Barili connessi: trasformare le strategie del petrolio e del gas con l'Internet delle cose. Estratto da http://dupress.com/articles/ internet-of-things-iot-in-oil-and-gas-industry/

[Ii] Lyden, S. (2015). Tasso di correzione per la prima volta: le 5 principali metriche di potenza del servizio sul campo. Estratto da 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