Data ja uudet teknologiat - keino päästötavoitteiden saavuttamiseen?

Taloustutkimus vuodelta 2015 kertoo, että suuri enemmistö suomalaisyrityksistä pitää vähähiilisyyttä ja hiilineutraaliutta strategisen kilpailukyvyn lähteenä ja merkittävänä tekijänä omalle toimintaympäristölleen. Kestävä tuotanto ja tuotteen koko elinkaaren vastuullisuuden läpinäkyvyys on asiakkaiden, sijoittajien ja muiden sidosryhmien vaatimuksena nykypäivää.

Tässä blogissa kerron, miksi datalla ja uusilla teknologioilla, kuten reunalaskennalla, tekoälyllä ja koneoppimisella, on merkittävä rooli ilmastotavoitteiden saavuttamisessa ja miten voit itse kehittää parempia mittaristoja ja analytiikkaa tavoitteidesi saavuttamiseksi. 

Ilmastotoimet näkyviksi analytiikan avulla

Jos ilmastotoimia ei pystytä tuomaan näkyviksi analytiikan ja datan avulla, on niiden vaikuttavuutta haastava arvioida. 

Ilmastonmuutos, kestävä kehitys ja hiilineutraalius ovat jo käsitteinä usein haastavia ja monitahoisia. Vaikka ilmastonmuutos, sen vaikuttimet ja torjuntakeinot ainakin korkealla tasolla varmasti ymmärretään, ilmastonmuutokseen vaikuttamiseen liittyy paljon alateemoja, joita voi olla hankala konkretisoida. Vaikka vaikuttamismahdollisuuksia on useita, ei kokonaisuus kuitenkaan ole mielipidekysymys, vaan päätösten tulisi pohjautua tieteeseen, faktoihin ja dataan. 

Suuret kokonaisuudet tulisi pilkkoa pienemmiksi, helpommin käsiteltäviksi palasiksi ja esittää selkeinä tuloksina. Analyysien ja visualisoinnin kautta myös erilaisten vaihtoehtojen punnitseminen ja priorisointi on helpompaa. Jotta ylätason tavoite (esimerkiksi hiilipäästöjen leikkaaminen 30 prosentilla vuoteen 2035 mennessä) voidaan saavuttaa, se pitää ensin jäsentää osatavoitteiksi ja välietapeiksi, joita pystytään läpinäkyvästi seuraamaan. 

Kaikki lähtee tietenkin liikkeelle nykytilan hahmottamisesta – ja siihen tarvitaan dataa. Kannattaa pohtia ainakin seuraavia teemoja: 

1. Onko meillä hyvä näkyvyys elinkaaren ja tuotannon eri vaiheisiin? 
2. Onko prosessissa mustia aukkoja tai laadullisesti epävarmoja osuuksia? 
3. Missä elinkaaren vaiheissa meillä on eniten parannettavaa?  
4. Missä syntyy hukkaa? 
5. Kuinka hiilineutraaleja tuotteemme ovat koko elinkaaren aikana? 

Parempi näkyvyys koko tuotantoon

Teollisuus synnyttää valtavia määriä dataa jatkuvasti.  

Ajan kuluessa data helposti siiloutuu - tieto vain makaa tietovarastossa, tai sen käyttö on hyvin rajattua ja pistemäistä. Sama data voisi tuottaa arvoa moneen muuhunkin käyttökohteeseen, mutta joko se on ”unohdettu” tietyn operatiivisen toiminnan käyttöön tai sen hyödyntäminen laajemmin on koettu liian hankalaksi. 

Datafuusio voi kuulostaa monimutkaiselta termiltä. Kuitenkin se tarkoittaa vain sitä, että kahta tai useampaa eri datalähdettä yhdistetään niin, että lopputuloksena on uutta tietoa. Täytyy kuitenkin kiinnittää huomiota siihen, ettei pelkkä datatieteily ilman toimialatuntemusta ja ymmärrystä kontekstista anna oikeita vastauksia. Mutta nämä kaksi yhdistettynä voivat tuoda esille hyvinkin tärkeitä syy-seuraussuhteita. 

Vasta näkemällä metsä pelkiltä puilta voidaan ymmärtää kokonaisuus. Datasiilot murtamalla on mahdollista laajentaa näkemystä; osaoptimointia tulisi välttää ja hyödyntää kerättyä dataa laajasti ja eri puolilla organisaatiota. Tämä on tärkeää, jotta isomman mittaluokan tavoitteita voidaan saavuttaa ja niiden kehittymistä seurata.  

Elinkaarirasitteen minimointi

Toimitusketju ja logistiikka, vaikka tärkeitä ovatkin, eivät anna koko vastausta siihen, mikä kunkin yrityksen elinkaaren vaikutus ilmastollisesti on.  

Kun puhutaan kestävästä kehityksestä, painopiste on usein vahvasti tuotanto- ja logistiikkaprosessien synnyttämissä päästöissä. Kiistämättä nämä ovat isoimpia yksittäisiä tekijöitä, mutta myös helpoiten todennettavissa. Päästöjen seuraaminen, vähentäminen ja optimointi on usein loogisin lähtökohta. Tuotantoa on kuitenkin kokonaisuudessaan vaikeampi muuttaa kestävään suuntaan, jos ymmärtämystä koko elinkaarirasitteesta ei aleta keräämään ja analysoimaan.  

Elinkaarirasitteella tarkoitan koko tuotteen elinkaaren ilmastovaikutuksia - kestävän kehityksen tulisi kattaa kaiken alun tutkimusprosesseista aina tuotteen elinkaaren loppuvaiheen toimintoihin. Datan kerääminen elinkaaren kaikista vaiheista auttaa tuomaan esiin pullonkauloja tai riippuvuuksia joita ei alun perin osattu ajatella - usein kokonaisuus on enemmän kuin osiensa summa.  

Vähemmän hukkaa

Useiden eri tietolähteiden avulla on helpompi nähdä, missä toimintojen eri vaiheissa hukkaa esiintyy ja miten sitä on mahdollista alkaa poistamaan. 

Hyvin usein hukka tai jäte liitetään konkreettisiin asioihin, kuten materiaaleihin tai päästöihin. Päällekäiset hankkeet, epätehokkaat toimintatavat ja huonot johtamisjärjestelmät aiheuttavat itsessään jo valtavan määrän hukkaa, johon paremmalla tiedon näkyvyydellä voidaan helposti tuoda parannusta.  

Hukkaa esiintyy useissa eri olomuodoissa: esimerkiksi tuotannossa käytetyt materiaalit, virheistä aiheutunut ylimääräinen työ, odottelu tai tyhjäkäynti logistiikan operaatioissa, tuotteiden huono laatu tai ylipäänsä organisaation toiminnan tehottomuus tuottaa tuloksia. Kehitystyötä hukan vähentämiseksi ei siis voi kohdistaa vain tiettyihin osiin toimintoja, vaan tämäkin tulisi nähdä kokonaisvaltaisena jatkuvan kehityksen alueena - useista pienistä voitoista synnytetään kestävämpää maailmaa. 

Materiaali- ja laatuhukasta puhuttaessa reunalaskennan, koneoppimisen ja konenäön avulla nykyisistä laadunvarmistusprosesseista voidaan tehdä automatisoituja ja älykkäitä. Näin on mahdollista vähentää inhimillisistä virheistä tai puuttuvista kontrollipisteistä aiheutuvia laatuvirheitä ja sitä kautta vähentää hukkaa. 

Uudet teknologiat ja edistynyt analytiikka avuksi

Reunalaskentaan pohjautuvilla ratkaisuilla on mahdollista kerätä uutta ja jatkuvasti ajantasaista tietoa sellaisista työvaiheista, joissa aikaisemmin se on ollut erittäin hankalaa tai hyvin työlästä.  

Edistyneellä analytiikalla saadaan vastauksia kysymyksiin, joiden tarkastelua ei aiemmin ole ollut kustannusmielessä mahdollista toteuttaa, tai se on ollut teknisesti jopa mahdotonta. Koneoppimista, konenäköä ja erilaisia sensoreita hyödyntämällä tuotteen elinkaarirasitteen ymmärtämiseen avautuu uusia mahdollisuuksia – näitä ovat esimerkiksi ennustavat koneoppimismallit, käytönaikasen datan hyödyntäminen tuotekehityksessä tai laadunparantamisessa ja tuotannonaikasen datan käyttäminen huoltotarpeiden ennustamisessa.  

Pelkkä tehokkuus ei riitä, mukaan tarvitaan innovaatioita

Yrityksen fokus ei voi olla pitkällä tähtäimellä pelkästään tehokkuuden lisäämisessä, vaan rohkeudessa uudistua ja luoda uusia innovaatioita. 

Yritysten tulisi aktiivisesti pyrkiä kehittämään tuotteita, jotka ovat jo lähtökohtaisesti kestävämpiä ympäristön kannalta. Innovaatiot eivät ole ainoastaan uusia lopputuotteita, vaan niiden kautta pitää kyetä uudistamaan myös valmistus- tai tuotantoprosesseja, jakelua, ylläpitoa ja loppukäyttäjän käyttökokemusta.  

Kun uudistamisen ja innovaatioiden näkökulma tuodaan vielä mukaan elinkaarirasitteen tarkasteluun, on eri vaiheista kerätyllä datalla valtava merkitys. Johdonmukaisessa työssä kestävän kehityksen hyväksi datan kerääminen, analysointi ja oikea hyödyntäminen on mittaamattoman arvokas työkalu, jota ilman yksikään organisaatio ei tule onnistumaan.

Ota meihin yhteyttä!

Haluatko kuulla lisää, miten teet tuotannostasi kestävämpää datan ja uusien teknologioiden avulla? Varaa tästä puolen tunnin tapaaminen asiantuntijamme kanssa.  👇

Tutustu Smart Factory -ratkaisuihimme

Smart Factory mahdollistaa tehtaasi älykkää automaation.