Adatbányászat Blog

Az Adatbányász Blogon a dmlab szakértőinek írásait olvashatod a big data és data science területéről.

dmlab.hu - Big data és data science tanácsadás
"Ha örülsz, hogy fejedre nőttek az adatok."

Keress minket bátran:
- Nagy-Rácz István +36704595669
- Gáspár Csaba +36208234154
- info@dmlab.hu

Hírlevél

Iratkozz fel hírlevelünkre, hogy mindig naprakészen tudjunk tájékoztatni.
Feliratkozás
Leiratkozás

 

Címkék

10éves (1) 2007 (1) 2010 (23) 2011 (27) 2012 (13) 2013 (23) 2014 (5) 2015 (6) 2016 (10) 2017 (4) 2018 (4) 2019 (1) adaptív (1) adat- és médiainformatika (1) adatárusítás (1) adatbányászat (11) adatbányászati algoritmusok (1) adatbányászati alkalmazások (2) adatbányászati meetup (1) adatbányászati oktatás (1) adatbányászati technológiák (4) adatelemzés (2) adatelemzési platformok (1) adattárház (5) adattárház fórum (6) adattárolás (1) adattisztítás (1) adatvédelem (2) advise (2) aegon (1) aglitás (1) agy (2) ai (1) AI (1) ajánló (11) ajánlórendszerek (1) aktivitás felismerés (1) algoritmus (1) alkalmazás (3) állásajánlat (1) amazon ec2 (1) ambiens (1) ami (1) amuse (1) analitika (1) analytics (1) andego (3) apache (1) api (2) Arató Bence (3) artificial intelligence (2) bank (1) Barabási (2) barabási (2) beharangazó (1) beharangozó (18) bejelentés (2) belami (1) best practice (9) beszámoló (15) BI (5) Bi (1) bi (13) bi-trek (1) biconsulting (7) bigdata (27) Big Data (3) big data (12) biopen (1) biztosító (1) BI Akadémia (1) bi consulting (1) bi start (1) blockchain (1) blog (6) bme (2) BME (15) bootcamp (1) brainstorming (1) bsp (1) budapest (1) business analytics (1) business analytics szakirány (1) cancer detection (1) churn (2) ci (1) címkefelhő (2) CIO (1) clementine (1) Clementine Consulting (1) cloud computing (2) cognos (1) credit scoring (1) crisp-dm (1) crm (2) Cruncconf (1) crunch (2) csalásdetektálás (1) DataExpert (1) dataexplorer (1) datapest (1) datascience (5) datasource (1) data engineering (1) data mining (1) data science (8) diplomamunka (1) dmla1o (1) dmlab (14) döntési fák (1) döntéstámogatás (1) drill (1) e-commerce (1) egészségügy (1) előadás (22) előrejelzés (1) élő közvetítés (1) Enbrite.ly (1) energetika (1) esemény (2) esettanulmány (3) ethics (1) etikus (1) etl (2) eu (1) évforduló (3) fejlesztés (2) felmérés (5) felsőoktatás (1) felület (1) felvásárlás (3) film (1) fizetés (1) forecasting (1) forgalomelőrejelzés (2) foursquare (1) fraud detection (1) free (1) freebase (1) gartner (2) gazdasagi informatikus (2) gdpr (1) gépi tanulás (4) gépi tanuló algoritmus (1) google (8) google analytics (1) graphlab (1) gravity (3) greenplum (1) gyakorlat (1) hackhaton (1) hadoop (10) hallgatók (2) hálózatelemzés (3) hálózatkutatás (2) hálózatok (3) hazai (2) hiba (4) hírlevél (2) hive (1) honlap (1) HR (1) HVG (1) i5 (1) ibm (6) ibm modeler (1) ibm spss (3) icdm (1) idc (2) idősor (1) idősorok (1) ieee (1) iir (1) image processing (1) impact (1) infobright (1) információbróker (1) innováció (5) innovatívBI (1) innovativ bi (4) inspiráció (1) intelligencia (2) interjú (1) Internet Hungary (1) iqsymposium (19) iqsys (16) iroda (4) jelentkezés (2) jmp (2) job (1) kaggle (2) kampánymenedzsment (1) kapcsolati hálók (1) karrier (1) kdd (3) kdnuggets (2) képfeldolgozás (1) képzés (6) kérdés (2) kérdőív (1) kerekasztal (1) keresés (1) kereső (1) keresztvalidáció (4) kína (1) klaszterezés (2) knime (1) kockázati tőke (1) kollaboratív munka (1) kompetencia (1) konferencia (72) könyv (6) környezet (1) közlekedés (1) közösség (2) közösségi hálózatok (4) közvetítés (6) kritika (1) küldetés (1) kürt akadémia (1) kutatás (2) lemorzsolódás (1) licensz (1) live (1) logisztika (1) machine learning (1) magyar telekom (2) mahout (1) mapreduce (1) marketplace (1) média (2) meetup (11) mellékspecializáció (1) mém (3) memóriacentrikus (1) menedzsment (3) metaadat (1) metodika (2) microsoft (1) mobil (5) mobil bi (4) modeler (2) modell (3) morgan stanley (1) motion chart (1) munkaerő (2) mysql (1) mytraffic (4) nemzetközi (5) nemzetközi összehasonlítás (1) netflix prize (1) networking (1) next big thing (1) nips (1) nosql (1) nyílt forráskód (4) nyitott (1) nyomkövetés (1) offline áruházak (1) okostelefon (1) oktatás (24) olvasók (1) online áruházak (1) online kutatás (1) open source (19) open source bi (3) operatorfa (1) osbi (12) összehasonlítás (1) ötletek (2) pandas (2) paradoxon (1) pascal (1) pentaho (1) personal data mining (1) phd (2) philips (1) piac (3) pikk (1) pilot (1) PISA-felmérés (1) pmml (1) politika (2) powerpivot (1) prága (1) praktiker (1) prediktív analitika (2) prediktív analitka (1) prediktív modellezés (1) prediktiv modellezés (5) prezi (15) privacy (1) privacy preserving data mining (1) product management (1) projekt (1) projektmenedzsment (6) publikáció (1) python (10) radoop (12) random forest (1) rapid-i (2) rapidanalytics (7) rapidminer (41) RapidMiner (2) rcomm (7) refine (1) Rexer Analytics (1) rsctc (1) R nyelv (7) saas (1) sap (1) SAS (20) sas enterprise miner (2) sas enterpris guide (1) sas entprise miner (1) sas fórum (1) sas forum (3) siker (3) simptech (1) sixtep (2) smarthabits (1) spike sorting (1) sportanalitika (1) SPSS (3) spss (13) spss clementine (3) spss hungary (5) spss modeler (6) ssd (1) starschema (2) startup (9) statisztika (1) survey (1) svm (1) szabad szoftver (1) szakmai (1) szavazó eljárások (2) szélenergia (1) szélerőmű (1) szervezetfejlesztés (2) szociális hálók (1) szoftver (5) szöveg (1) szövegbányászat (2) sztaki (2) tableau (1) talend (2) támogatás (1) tanfolyam (1) tanulmány (1) tanulság (1) távolság (1) technológia (1) tedx (1) telekommunikáció (2) teradata (2) teszt (1) text mining (1) tmit (6) toborzás (1) tőzsdei előrejelzés (1) tracking (1) trendek (9) tudományos (1) tunedit (1) twitter (17) ügyfél (1) usa (1) üzleti intelligencia (3) üzleti modell (3) üzleti reggeli (3) választható tárgy (1) validáció (4) válogatás (1) válság (1) változás (1) vélemény (1) véleméy (1) verseny (20) vezetői képzés (1) videó (3) vizualizáció (5) web (4) web2 (2) webanalitika (3) webshop (1) weka (2) wikipedia (2) workshop (2) yahoo (2) Címkefelhő

TWitter a csapat tagjaitól

2019.02.05. 11:12 trapphenci

Anyagmozgatás és adatmozgatás az intralogisztikában

Címkék: adatbányászat big data blockchain

 

 

big_data_az_intralogisztikaban.pngA cikk eredetileg a Gyártástrend magazinban jelent meg, nyomtatásban.

A negyedik ipari forradalom idején a intralogisztikában nem csak az anyagot szállítjuk és használjuk fel, hanem a keletkező adatokat is. Az adatbányászat a belső anyagmozgatás, a raktározás és a szállítmányozás területén is hozzáadott értéket termel és optimalizálja a folyamatokat. 

ADATALAPÚ OPTIMALIZÁLT ANYAGMOZGATÁS

Napjaink korszerű adatelemzési szoftverei és a rendelkezésre álló és megnövekedett számítási kapacitás és IoT lehetővé teszik akár rendkívül bonyolult intralogisztikai rendszerek részletes vizsgálatát, valamint az ezt követő kapacitásokra vonatkozó döntéstámogatást is biztosítják. A logisztika területén az eseményalapú szimulációs modellezés és a kapcsolódó részletes adatelemzés lehetőséget biztosít egy sor fontos vizsgálatra. A Dmlabnál képesek vagyunk a gyártási és logisztikai adatok elemzésére, a rendszerkomponensek során gyűjtött adatok vizsgálatára, ezekből következtetni a gyenge pontokra – mint a ki nem használt kapacitások –, feltárják az anyagi és információs folyamatok összefüggéseit, ezért alapítónkat, Nagy-Rácz Istvánt kérdeztük arról, hogy az intralogisztika hogyan optimalizálható adatokkal.

Big Data az intralogisztika folyamatait is gyorsabbá, egyszerűbbé és költséghatékonyabbá teszi, szenzorok és más IoT eszközök által összegyűjtött, majd rendszerezett adatok, az adatbányászat eszközeivel segítik ezt.  

ADATBÁNYÁSZAT AZ ANYAGMOZGATÁS SORÁN

Az intralogisztika digitalizálása elmaradt a gyártás digitalizálás ütemétől és mértékétől az elmúlt években. A gyártási folyamatok technológiája olyan fejlődésen ment át az elmúlt évtizedben, hogy a 40-50 évvel ezelőtti eszközöket, módszereket teljesen felszámolta. Azonban az intralogisztikai folyamatok, amelyeknek a feladata, hogy támogassák a gyártást, sok esetben pontosan úgy néznek ki, mint 40-50 éve. Az anyagok fogadására, tárolására és szállítására, továbbra is ugyanazokat a régi rendszereket és folyamatokat használják, amik évtizedek óta működnek. Ennek az oka egy részben, hogy sokak számára a gyártásautomatizálás volt a prioritás, minden erőforrást oda irányítottak, másrészt egészen a közelmúltig, az elérhető intralogisztikai megoldások drágák voltak – így az intralogisztika területén nem jellemző, hogy láthatatlan adatvagyon lenne felhalmozódva. Ezt erősíti meg, Nagy-Rácz István is:

Ezen a területen, valami azért digitalizált, mert adatokra kíváncsiak. Az eszközök által gyűjtött adatok pedig a rendszerszolgáltatóknál gyűlnek, szolgáltatás kérdése, hogy ezeket megosztják-e. Persze láttunk már olyat, hogy rendelkezésre álltak adatok, de azokat nem használták.

 ADATALAPÚ INTRALOGISZTIKA 

Az adatok ismeretekké való konvertálásából rengeteg előnyünk származhat, javíthatja például az előrejelzések hatékonyságát és így a logisztikai tervezést. Ezek az adatok származhatnak szenzorhálózatokból, RFID-ból (Radio Frequency IDentification – rádiófrekvencia-alapú azonosítás), keresési eredményekből, az e-kereskedelem tranzakciós adataiból és a sokrétű elektronikus kommunikációból. Ezen adatok rendszere és a köztük lévő összefüggések hagyományos módon nem tárhatók fel, így a logisztikusok komoly kihívással szembesülnek, amikor olyan infrastruktúrát akarnak létrehozni, amely nem csak tárolni képes az adatokat, de a hagyományos adatokkal együtt elemezni is tudja azokat.

Az intralogisztikában van egy tucatnyi terület, ahol az adatok ismerete és felhasználása értéket tud generálni, csökkenthető az állásidő, a folyamatok pontos követésével optimalizálni lehet azokat, kiszűrhetők az anomáliák, prediktív szervizelést tesz lehetővé, ami szintén az állásidő csökkentésében játszik szerepet. De, ha kicsit nagyobb méretekben gondolkodunk, akkor ha egy vállalatnak több helyszínen van tárolókapcitása, akkor egy új raktárbázis megnyitása előtt adatok alapján választják ki az optimális helyszínt és még a raktár elrendezését is. Talán a legkézzelfoghatóbb jelentősége az intelligens energiafogyasztás kialakításában lehet. Nem láttam még olyan telephelyet, ahol ne lehetett volna csökkenteni az energiafogyasztást, aminek a tudatos alakítása szintén az adatokból indul ki.

ELŐREJELZÉS BIG DATA-VAL

Big Data segítségével pontosíthatjuk a diszpozíciót, ha egy termék értékesítésével kapcsolatban bizonyos minta látszik kirajzolódni, a terméket mindig megfelelő mennyiségben lehet készleten tartani. Nagy-Rácz ezt még tovább finomította:


E
gy autoipari gyártónak ajánlottuk fel azt, hogy megvizsgáljuk az autókból a felhasználók által beküldött adatok alapján, hogy várhatóan bizonyos alkatrészek mikor fognak meghibásodni. A felhasználók vezetési stílusától kezdve, a fogyasztáson, a rendszeres és szokatlan működésekig mindenről van adatunk, amiket a sofőrök önként megosztanak. A gyűjtött adatokból előrejelezzük az alkatrészigényt, ezzel elősegítjük a készletoptimalizálást.

ADATALAPÚ LAYOUT TERVEZÉS 

Egy gyár, raktár layout tervezése, hogy hol helyezkedjenek el és hogyan legyenek a polcok elhelyezve, merre legyen az anyagáram útvonala, tehát a rendelkezésre álló hely megfelelő elosztása és a központokban zajló munka optimalizálása komplex feladat. A Dmlap specialistája kiemelte, hogy még a raktárak, üzemek elrendezésében is segítenek az adatok. 

Olyan stratégiai kérdésekben is segít döntést hozni a big data, mint a layout-tervezés. Üzemek, raktárak, épületek, berendezések, munkahelyek egymáshoz viszonyított optimális térbeli elrendezésének megtervezéséhez, optimalizálásához felhasználhatjuk az anyagmozgatási útvonalak helyét és hosszát, a területszükségletet, a dolgozói létszámot a termékátfutási időket.

Léteznek már olyan szoftverek, amelyek egy digitális felületen lehetővé teszik, hogy elrendezzük a raktárunkat, üzemünket és a betáplált adatok alapján kijelzi, hogy mikor optimális az elrendezés.

A big data arra is lehetőséget ad, hogy hatékonyabban, valós időben leltárazzunk, kevesebb terméket kelljen leírnunk, mindig legyen elegendő hely és a szállítás akadálytalan legyen. A raktározásban épp olyan fontos, hogy percre kész információkkal rendelkezzünk, mint a szállításban, ezt kiemeli Nagy-Rácz is példájában:

Az egyes tárolt termékek, csomagok RFID jeladókkal láthatóak el, az ezek által közvetített adatokból tudjuk, hogy éppen mekkora készlet van raktáron, ismerjük a csomagonkénti darabszámot, méreteket, így egy automata rendszer valós időben kezeli a terméket, rögzíti az érkezését, távozását, és meghatározza a helyét, hogy a rendelkezésre álló helyet maximálisan kihasználjuk. A szenzorokkal követhető az eszközök kihasználtsága, állapota is, tudni fogjuk, hogy az eszközök, mint egy futószalag, targonca, vagy egy villásemelő, mikor vannak használatban, milyen állapotban vannak és milyen kihasználtsággal üzemelnek, vannak-e felesleges körök, amiket fut. A raktárban, mivel a jeladók és szenzorok által pontosan tudjuk, mit és hol tárolunk, tökéletesen irányíthatóak az alkalmazottak, valós időben akár automatikusan koordinálhatjuk a munkájukat.

 ADATSZEMEK A LÁNCBAN

A logisztika és az ellátási lánc szakembereinek a legnagyobb kihívása, hogy megpróbálják nyomon követni a termékeket a gyártás helyétől egészen az értékesítési pontig. A blockchain technológia az események megosztott verzióját biztosítja a hálózat minden tagjának, így az ellátási láncban résztvevő összes féltől származó adat nyomon követhető a termékekről az alapanyag beérkeztétől a gyártáson át a kiszállításig. Ez egyrészt egyszerűbbé teszi a műveleteket, másrészt javítja a bizalmat a felek között, hiszen minden olyan információ, amelyet egy üzlettel kapcsolatban kell tartani, nyílt forrású és átlátható formában elérhető lesz.

Van olyan folyamat, ahol fontos, hogy minden ponton lássuk, hogy a folyamat előző pontjain mi történt. Ha valamelyik terméket visszahívják, akkor azt shiftek mentén hívják vissza, akár többezer alkatrészt is. Ha blockchain lenne, akkor csak egy tört részét kell csak visszahívni.

A logisztikai ágazat digitális átalakuláson megy keresztül. A blockchain és a felhő technológiák optimalizálják a logisztikai folyamatokat, interfészek létrehozásával és az adatfeldolgozás egyszerűsítésével. A raktárakban a robotok dolgoznak, a virtuális valóság megkönnyítik a munkát. A digitalizálás kulcsfontosságú tényező a hatékony intralogisztikai- és anyagáramlási rendszerek számára. Az automatizálás, a hálózatépítés, az adatok befolyásolják az intralogisztika jövőjét.

 

Korábban logisztika témában már elemeztük a karácsony előtti csomagküldési anomáliákat, adatelemző szemmel - érdemes, ezt a bejegyzésünket is elolvasni! 

Szólj hozzá!

A bejegyzés trackback címe:

https://adatbanyaszat.blog.hu/api/trackback/id/tr5914547310

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

Nincsenek hozzászólások.