Contextere lansira Madison, mehanizem vpogledov za vodilno industrijsko delovno silo

Vsak dan milijoni moških in žensk v industrijskih organizacijah po vsem svetu porabijo več kot 30 % svojega delovnika za dejavnosti neproduktivnega časa (NPT).[I]. Ne izgubljajo časa, temveč aktivno iščejo prave informacije, čakajo na napotke ali se poskušajo uskladiti z drugimi delovnimi skupinami. Medtem ko ta pogoj obstaja v vseh podjetjih in panogah, je še posebej endemičen pri dejavnostih tehničnega vzdrževanja in delovanja. Situacijo otežuje to, da imajo ti delavci informacije, ki jih potrebujejo, še vedno verjetno, da bodo delo opravili nepravilno 25 % časa.[Ii]. Ta povišana stopnja človeške napake (HER) povzroči drago predelavo ter povečan potencial katastrofalne okvare opreme in človeških poškodb.

Vzroki za visoko NPT in HER na industrijski fronti so lahko tako različni kot podjetja, ki se soočajo s težavo. V večini organizacij so podatki ujeti v silosih in kontekstualna ustreznost med funkcionalnimi domenami in dejavnostmi se pogosto izgubi. Sistemi informacijske tehnologije ostajajo nepovezani s sistemi operativne tehnologije, zaradi česar kritični vpogledi ne dosežejo delavcev na zadnjem taktičnem kilometru. In kljub ogromnim naložbam podjetij v zajemanje podatkov in analitiko ostaja uporaba teh informacij omejena na operacije sedeža – učinkovitost podjetja in optimizacijo proizvodnje ter načrtovanje naložb v kapitalsko opremo. Delavci na prvi liniji imajo redko dostop do informacij, ki so lahko pomembne za njihovo lastno odločanje in dejavnosti.

Zaostrovanje zgoraj opisanih ovir je temeljno strukturno vprašanje, ki še naprej vpliva na podjetja – vrzel v znanju delovne sile. Sprejetje novih tehnologij in demografski premiki so korenito preoblikovali način poslovanja organizacij in vrsto znanj, ki jih potrebuje njihova delovna sila. Pospešeno upokojevanje delovne sile in predolg čas do strokovnega znanja pri sprejemanju novega osebja povzročata izgubo tihega strokovnega znanja in pomanjkanje usposobljenega osebja. Ta vrzel v znanju poslabšuje NPT in HER, saj morajo manjše skupine bolj neizkušenih delavcev vzdrževati, popravljati in upravljati vse bolj zapleteno opremo z manj znanja in sredstev, ki so jim na voljo.

Madison Insight Engine, ki ga je nedavno predstavil član AREA Contextere, je prva rešitev, ki združuje ekstrakcijo podatkov, strojno učenje in razumevanje naravnega jezika za zagotavljanje vpogledov in podpore pri odločanju tehničnim delavcem na prvem mestu, ki vzdržujejo, popravljajo, upravljajo in izdelujejo kompleksno opremo. Ta zmožnost industrijskim delavcem omogoča, da delo opravijo pravilno že ob prvem delu, razvijejo svoje znanje in spretnosti na delovnem mestu ter izboljšajo svojo produktivnost in varnost.

S priznanjem Contextere v poročilu Cool Vendors for Digital Workplace za leto 2020[Iii], je Gartner opozoril, da se motorji za analizo in vpoglede »običajno osredotočajo na potrebe uslužbencev v velikih organizacijah«, medtem ko je Madison Insight Engine edinstven v tem, da »uporablja samo kontekst za proaktivno zagotavljanje vseh ustreznih informacij, potrebnih za dokončanje opravilo« ne glede na lokacijo ali domeno uporabnika.

Madison uporablja strojno učenje skupaj s pogovorno obdelavo naravnega jezika, da tehniku ​​ali analitiku v industrijskem okolju zagotovi kurirano vodenje proaktivno in predvidljivo na podlagi njihovega razvijajočega se lokalnega konteksta v realnem času. Algoritmi Madison se osredotočajo na določitev in dostavo pravega podatka – redukcionističen pristop k urejanju ogromne količine razpoložljivih podatkov podjetja.

Industrijske organizacije po vsem svetu si prizadevajo za reševanje težav s produktivnostjo in vedno večjo vrzeljo v spretnostih med svojimi zaposlenimi na prvem mestu. S proaktivnim zagotavljanjem kritičnih informacij, kadar in kjer so potrebne, Madison Insight Engine omogoča vsakemu industrijskemu delavcu, da nenehno povečuje svoje znanje in kompetence na delovnem mestu, varno opravlja svoje naloge in je najbolj produktivno. Po drugi strani pa podjetja prejmejo ugodnosti učinkovitega razvoja delovne sile, maksimalen čas delovanja opreme in optimalno delovanje človek-stroj. Če želite izvedeti več in si ogledati predstavitev Madison, pojdite tukaj.

[I] Slaughter, A, Bean, G., & Mittal, A. (2015, 14. avgust). Povezani sodi: Preoblikovanje strategij za nafto in plin z internetom stvari. Pridobljeno s http://dupress.com/articles/ internet-of-things-iot-in-oil-and-gas-industry/

[Ii] Lyden, S. (2015). Stopnja prvega popravka: 5 najboljših meritev moči storitev na terenu. Pridobljeno iz 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