探索中国CIO人才现状 第二季 报告发布
艾兰得大数据建设工作心得分享
2018-04-26  来源:CIO发展中心

(文章来自于第六届CIAPH大会艾兰得IT总监蒋科伟的演讲的录音整理)

各位业界同仁大家好!很荣幸,由我代表艾兰得营养品有限公司给同仁们分享我们在大数据建设方面的心得,也希望通过医药大会这样的平台,增加我们相互之间更多的的学习和交流。

蒋科伟.png

艾兰得IT总监蒋科伟

艾兰得简介

艾兰得营养品有限公司以江苏江山制药有限公司为生产基地,商标于1995年向国家工商总局申请注册,是世界领先的营养素专业制造商,专业从事健康营养品的研发、生产与销售的高科技企业。艾兰得凭借强大的营养保健品研发能力,结合中国人的饮食生活习惯及身体特征,精心研究开发了符合当代中国人营养需求的健康食品。产品原料天然、安全、无污染,并且拥有13个国家食品药品监督管理局保健食品批文,所有批文均可通过国家食品药品监督管理局网站进行数据查询。艾兰得拥有20 个保健食品,50 个功能性食品批文,覆盖所有膳食营养补充剂产品品类,品类涵盖:补充维生素、减肥、抗氧化、抗疲劳、抗辐射、降血脂、儿童补充微量元素、艾兰得E+C套装等。

2006年,"艾兰得"商标被司法认定为中国驰名商标,其后,"艾兰得""ALAND""BLUE DRUM"等商标在境内外30多个国家和地区成功注册。目前在全球拥有9个现代化营养健康品工厂和多间物流分销中心,涵盖美国、英国、加拿大、荷兰、捷克斯洛伐克等国家。艾兰得秉承"关心人类的健康与未来"之理念,以"敬业、进取、创造、共赢"之精神,以"世界营养健康品专家之企业定位,关注人类健康需求,积极持续地为每个生命提供卓越品质的营养品及健康解决方案,为促进全球可持续发展承载与担当,致力于成为世界营养保健品细分领域的领先企业。

大数据和智能制造,是个非常大的话题。众所周知,做大数据可以分四个层次:第一层即金字塔尖,类似于微软的业务性质;第二层次是用数据+人工智能的方式;第三个层次,能给公司经营找出直接问题,让生产经营更上一层楼,并且有智能算法、发现问题、创造配方及新型模型的能力;第四层次是做提案、数据收集、清晰、报表等,也做一些简单的决策。智能制造也是一个很大的话题,包括厂房设计,生产设计与改造、工艺设计与改造、流程设计与改造、设备研发,应用系统设计、计算机验证等。我今天的分享内容,集中在大数据建设的第三个层次,关于智能制造我也做一些简单的分享。

什么是大数据?

分享的最前面,我会用引出艾兰得的理解思路,对比一般的理解思路,以树立观点。

什么是大数据呢?

一般的理解,就是把数据集中起来,做驾驶舱,做报表,做数据挖掘等,供决策者作参考。

艾兰得的理解:数据一定是高质量的数据,并结合了业务环/场景,否则数据没有意义。数据应该有自己的学习模型、算法和平台的支持。大数据的目的一定是为生产经营服务,为客户服务,为智能制造服务的。

180426001.png

大数据如何来做呢?就像前面谈到的,大数据一定得有业务场景。如何找到适合自己的场景呢?

一般的理解:在原料、生产、检测、仓储、销售、渠道、客户等环节,在每个点做一些改善。

艾兰得的理解:大数据场景要为战略目标服务。即企业想成为什么样的企业,为什么目标服务的问题。艾兰得要成为世界级的制造,大数据就为这个战略目标服务。根据战略目标分解,大数据能给企业实际带来的收益。

艾兰得如何做大数据

基于以上的理解和思路,艾兰得要成为世界级制造,就得在大数据的战略和规划里体现这一企业愿景。下面分享一下艾兰得做大数据的实施环节:

180426002.png

首先是拿到行业内世界级工厂的经营和管理指标,进而了解公司所有的经营和管理指标(大致),找出两者之间差距最大的指标,然后分解出数据元素,做数据元素的相关性分析,根据数据元素,开始建立分析模型(数据模型)。因为我们做模型的时候,会做很多的模型或者假设,这些不一定是正确的,所以得找到相对合理的数据模型,或者扩充数据元素(如果元素不足)。为了找出相对合理的模型,我们就得开始做模型验证,并且通过多次改善,找出问题所在。根据问题做方案,做出改善模型验证改善是否有效,是否做好了每一个指标值。然后进行下一轮闭环,修正模型和数据采集点,扩充到其它指标值。

一、树立标杆——世界级工厂

参考药厂的Benchmark,我们把一般的制药工厂、标准的制药工厂和世界级的制药工厂做指标对比。这些指标包括大供应链里的所有的指标,比如库存周转次数、客户服务水平、安全指数、OEE、RFT等,然后找出每个指标间的差距。

二、分析与世界级工厂有哪些差距

在一个具体的指标里,找出现实的差距。比如质量这个指标,我们要分析生产质量的人员、付出质量的成本,与整个工厂做有效产出的人员占比。

三、建立算法和模型

找到差距后,做指标分解,通过设备、ERP等收集数据,有的数据也需要人工输入,这里一定要注意数据的匹配性。运用大数据的32个核心算法,验证匹配性。比如我们常用的单值模型、多值模型、相关模型、崩解模型等。

案例分享

通过以上的介绍,下面分享几个我们实际的案例,希望能给大家今后的大数据建设带来一点参考。

一、 降低投料量

我们的成本指标下还有个指标,叫原料成本占比,我们是保健品行业,原料的成本占到利润的60%-70%。通过对比发现,我们的成本是很高的。基于此,我们定了个比较高的初始目标,即降低原料投入比6%。我们开始收集各个阶段的原料数据(原料的投料量、损耗、质检退回率、返烘率)等,然后定目标,原料投入降低6%,开始做模型,分解到每个关键点降低多少。我们一共做了5轮模型,模型并不是一次成功的,需要很多次迭代,也有废模型,我们最后达到原料投入量平均降了三个点左右。

这个探索,让质量的投入在整个有效产出里的占比降下来了,同时减少了质量检测单位。这个模型可以帮助我们及早发现问题,减少料耗和返工,让管理更加简单。

二、 智能优化压片机程序模型

在生产中,我们发现压片机的一个有趣的现象:在生产的前5分钟,不同的操作人员调不同的参数,产出产品的料号、物料损耗、产品合格率、返工率完全不一样。我们就思考,能不能让大家做出来的产品的各种指标都一样呢?或者前5分钟或者10分钟不用人员操作都一样的呢?

我们通过数据收集,发现技术很成熟的老员工,并学习他们的经验,提炼其数据,建立模型并改善。在实践中,继续探索并反写机器,验证模型并自我学习。后期的时候,压片机已经不需要人来操作,而质量非常稳定,并且指标提升的非常好,其中有一项换型时间指标,我们最初期望缩短3-4小时,最后实际达到的指标是缩短6小时,完全超出了我们的预期。这个模型实际上给我们的智能制造、个性化生产打下了基础。

180426003.png

智能制造与大数据的关系

大数据体系是智能制造的大脑,核心的PLM体系是智能制造的心脏,其中PLM是非常严谨的系统,因为是给客户创造价值、实现个性化的,应该有智能化的算法,调动标准流程自动化和个性化。ERP/WMS/APS 等是智能制造的器官,MES 和自动化等是智能制造的躯体。智能制造体系的建设过程是帮助我们在数据化基础上,不断完善已有的管理闭环,建立更多的管理闭环,加大持续改善的规模,加快持续改善的速度。

180426004.png

以上是我自己的看法,不一定正确,希望后期与大家做更多的交流。

关于智能制造与大数据的关联关系,我来举一个连续生产的案例说明。我们有一种颗粒的制造工艺,过程中有个返烘率指标。作为企业来讲,肯定是希望烘的越快越合格越好,而在实际操作中,由于受环境和温度的影响,不能达标就得返烘,我们以往的返烘率高达28%。如何做到越快越好呢?我们通过数据收集,开始做模型并尝试,经过不断试错,返烘率降到了10%。在此基础上,再进行设计和不断完善,目前我们的返烘率达到了3.1%,并且非常稳定了。

做大数据的过程中,我认为有几点是非常重要的:第一是要跟管理目标、经营目标以及市场目标紧密关联。第二是切实找出自己的问题并努力改善。第三是要有人才资源,可以是企业内部的,也可以是通过外部一些专业团队合作。

我的分享就到这里,希望今后能和各位业绩同仁加强交流与合作,共同推进医药行业大数据建设。