Otomasyon dergisi, Türkiye'nin otomasyon konusundaki ilk ve en köklü dergisidir. 1992 yılında “Türkiye’de Otomasyonsuz Fabrika Kalmasın” sloganıyla yola çıkan dergi, Türkiye endüstrisinin otomasyon konusunda bilgilendirilmesini kendisine misyon edinmiştir. Dünyadaki ve Türkiye'deki gelişmeleri anında okuruna iletmeyi; otomasyon alanında yapılacak yatırımların, doğru ve kârlı olabilmesi için yol gösterici bir rol oynamayı amaçlamıştır.

ENDÜSTRİDE VERİ YÖNETİMİ VE ANALİTİĞİ

UYGUN VE İŞLEVSEL YÖNTEMLERLE VERİLERİN HIZLI ANALİZ EDİLİP DOĞRU KARARLAR ALMAYA SEBEP OLMASI BÜTÜN İŞ AKIŞLARINI ETKİLEDİĞİ GİBİ KÖKTEN UCA VAR OLAN BÜTÜN YAPIYI OPTİMİZE EDEREK VERİMLİLİĞİN SÜREKLİ ARTMASINA SEBEP OLMUŞ OLUR. BU ÇALIŞMADA ENDÜSTRİDEKİ FARKLI VERİ YÖNETİM SİSTEMLERİ VE VERİ ANALİTİĞİ KAVRAMINDAN BAHSEDİLİYOR.

DR.ÜMİT GÜRSOYa,c, PROF.DR.SEMİH ÖTLEŞa,b aEGE ÜNİVERSİTESİ, FEN BILIMLERI ENSTİTÜSÜ, ÜRÜN YAŞAM DÖNGÜSÜ YÖNETİMİ ANABİLİM DALI bEGE ÜNİVERSİTESİ, ÜRÜN YAŞAM DÖNGÜSÜ YÖNETİMİ (PLM) MÜKEMMELİYET MERKEZİ c MECHANICA IREV

ÖZET

Veri geçmişte olduğu gibi günümüzün de en değerli kavramlarından birisidir. Geleceği belirleyen geçmişin verilerinin yorumlanmasıyla alınan kararlardır. Bu da var olan bütün yapıların yaşam ömürlerinin süresini ve kalitesini etkileyen en önemli unsurdur. Veri Endüstri açısından da en önemli kavramdır. Veri çeşitliliği, doğruluğu ve zamanlaması verilerin analizi neticesinde oluşacak çıktıların verimini de doğru orantılı olarak etkilemektedir. Dolayısıyla verilerin bir araya gelmesiyle büyüyen veri topluluğu beraberinde yönetim zorluklarını getirir. Uygun ve işlevsel yöntemlerle verilerin hızlı analiz edilip doğru kararlar almaya sebep olması bütün iş akışlarını etkilediği gibi kökten uca var olan bütün yapıyı optimize ederek verimliliğin sürekli artmasına sebep olmuş olur. Bu çalışmada endüstrideki farklı veri yönetim sistemleri ve veri analitiği kavramından bahsediliyor.

1. GİRİŞ

Her canlı fıtratı gereği ömrünü uzatmak ve yaşam koşullarını iyileştirmek için çalışır. Doğduğu andan itibaren yetişkinliğe kadar hatta ömrü boyunca en temelden başlayarak önce artan bir şekilde ve sonrasında önceliklerin değişimiyle azalarak hayatı boyunca yaşamını sürdürmek ve yaşam kalitesini artırmak için sürekli öğrenmek ve öğrendikleriyle doğru kararlar almak için çalışır. Öğrenme eyleminin temelinde veri vardır. Veri olmadan öğrenme gerçekleşmez. Örneğin duyma yetisini kaybetmiş bir bireyin konuşamaması düzenli ses verisinin beynimize ulaşmamasından dolayı anlamlandırılmış seslerin çıkmamasına sebep olur. Dolayısıyla veri bütün organizmalar için hayati öneme sahip olduğu gibi işletmeler ve kuruluşlar içinde en çok önemli kavramdır. Dünyadaki veri hacmi ve veri çeşitliliği, insanlık tarihinin daha önce hiç görmediği hızda artmaktadır. İnternet teknolojilerinin ve sosyal medyanın hayatımızın her evresine ve hatta cep telefonlarımıza girmesiyle insanlar günlük faaliyetlerinde sürekli veri üretir duruma gelmiştir. Dünün manuel olarak çalışan araç gereçleri, bugün akıllı cihazlar olarak anılmakta ve hemen hemen hepsi sensörler vasıtasıyla veri üretmektedir. İnternet teknolojinin ilerlemesi ve bilgisayar altyapısının güçlenmesiyle birlikte farklı kullanım alanları oluşmuştur. Bu sayede sadece insanların değil artık nesnelerin de internet vasıtasıyla ortak bir ağa bağlanabilirliğinin önü açılmıştır. Bu hiper bağlanabilirlik zamanla ekipman çeşitliliği sağlamış, sensörlerin çeşitlenmesi ve teknik cihazların artmasıyla birlikte insanlardan ve cihazlardan alınabilecek bilgilerin çeşitliliği artmıştır. Geçmişe yönelik verilerin geleceği daha doğru tahminlemenin önünü açmasından dolayı alınan bu bilgilerin depolanması ve istenildiğinde herhangi bir yerden ulaşılabilmesi için bulut sistemleri geliştirilmiştir. Bu sistemler esnekliği ve diğer pek çok avantajı nedeniyle dünya çapında birçok işletmede kabul görmüş ve kullanımı hızla yaygınlaşmıştır. Bulut sistemi sayesinde işletmeler çoklu kaynaklardan paylaşılan verileri verimli ve esnek bir şekilde yönetebilir hale gelmiştir. Endüstri 4.0 la birlikte nesneleri ortak bir ağa bağlamak ve yönetmek için IoT(Internet of Things) uygulamaları geliştirilmiştir. Bu uygulamalar makinalardan alınan verilerin gösterildiği, depolandığı ve yönetildiği akıllı sistemlerdir. Zamanla bu kadar yoğun ve farklı verinin farklı kaynaklardan giderek artan bir şekilde üretilmesi, yeni bir kavramı ortaya çıkarmıştır: “Büyük Veri(Big Data)”.

Bu çalışmada; sırasıyla endüstriyel büyük veri kavramı ve bu verinin yönetilmesini kolaylaştıran veri yönetim sistemlerinden olan Ürün Yaşam Döngüsü sistemi (PLM), Kurumsal Kaynak Planlama sistemi (ERP), veri toplama sistemlerinden Nesnelerin interneti(IoT) sisteminden bahsedilmiş ve bu yapıların oluşturduğu akıllı fabrika modeli anlatılmıştır.

1.1. ENDÜSTRİYEL BÜYÜK VERİ

Büyük veri kavramı, ilk kez Michael Cox ve David Ellsworth tarafından 1997 yılında düzenlenen 8. IEEE Görüntüleme Konferansı’nda (Proceedings of the 8th Conference on Visualization), “Application-Controlled Demand Paging for Out-of-core Visualization”[12] adlı makalede kullanılmıştır. Aynı çalışmada, veri setlerinin çok büyük olduğundan ve bilgisayar sisteminin belleğini, disklerini ve hatta harici diskleri dahi doldurduğundan bahsedilmiş ve karşılaşılan bu soruna “Büyük Veri Problemi” adı verilmiştir. Daha sonra Francis X. Diebold, “Big Data Dynamic Factor Models for Macroeconomic Measurement and Forecasting” adlı çalışmasında büyük verinin, fizik, biyoloji ve sosyal bilimler dâhil olmak üzere, birçok bilim alanında yüz yüze gelinmek zorunda kalınan ve kendisinden yararlanılması gereken bir “fenomen” olarak bahsetmektedir [13]. Buradan hareketle veriye, “Çağımızın Ham Maddesi” denilmektedir. Bu gerçek, doğal olarak Google, Amazon, Twitter ve Facebook gibi dev bilişim şirketlerince en başından beri bilinmekte, hatta bu husus söz konusu şirketlerin kuruluş felsefesinin temelinde yer almaktadır [14]. Her türlü işletme faaliyeti süresince çok çeşitli alanlarda farklı veriler üretir. Veri çeşitliliği ve yapısı her işletmenin faaliyet alanına göre değişiklik arz edebilir. Birçok endüstriyel alan, yeni veri üreterek veya mevcut veriyi sayısallaştırarak büyük veriye kaynak oluşturmaktadır. Büyük veri yüksek hacim, hız ve çeşitlilikte üretilen yapısal, yarı yapısal ve yapısal olmayan veri bütünüdür. Büyük veri, geleneksel veri tabanı tekniklerinin kullanılması suretiyle işlenmesi mümkün olmayan, farklı hacimlerdeki heterojen veriyi tanımlayan yeni bir kavramdır ve çeşitli dijital içeriklerden oluşmaktadır [15]. Organizasyonların rekabet avantajı kazanmasında, bilgi önemli bir üretim faktörüdür. Bu noktada büyük verinin bilginin ham maddesi olması ve dolayısıyla karar verme süreçlerini etkilemesi, büyük veri analitiğinin önemini artırmaktadır. Büyük veriden ekonomik değer elde edilebilmesi için, doğruluğu sağlanmış verinin ileri analitik yöntemlerle işlenmesi gerekmektedir. Bugün, ekonomik ve ticari faaliyetlerden kamu yönetimine, ulusal güvenlikten bilimsel araştırmalara kadar birçok alanda, büyük veri ve analitiğinden yararlanılmaktadır [15]. Endüstri 4.0 çağı, yeni bir üretim yönetimi ve fabrika dönüşümü elde etmek için akıllı, analitik ve Siber-Fiziksel sistemlerin birleşiminden oluşmaktadır. Ek olarak, mevcut ve geçmiş verileri veri madenciliği teknolojileri ile karşılaştırarak, olası hataların derecesinin belirlenmesi, bileşenlerin güvenilirliğinin sağlanması ve diğer faydalı bilgilerin toplanmasını mümkün kılar. Veri çeşitliliği verilerin yönetilmesiyle ilgili zorlukları da beraberinde getirir. Günümüzde büyük verilerle başa çıkmak için verilerin türelerine göre çeşitli sistemler geliştirilmiştir. Bu sistemlerin önde gelenleri:

1.1.1. ÜRÜN YAŞAM DÖNGÜSÜ YÖNETİMİ SİSTEMİ (PLM)

Ürün Yaşam Döngüsü Yönetimi (Product Lifecycle Management-PLM), bir ürünün fikir aşamasından başlayarak planlama, tasarım, onaylama, üretme ve tüm mühendislik faaliyetlerini servis süreçleriyle birlikte etkileşimli ve işbirlikçi bir dijital ortamda saklayıp kontrol eden, farklı konumdaki kullanıcıların hizmetine sunan ve yönetilmesini sağlayan bir dijital platformdur. Bu durum Şekil 1 de gösterilmiştir.

Yeni ürün geliştiren veya başka firmaların tedarik halkasında yer alan firmaların mühendislik verilerini, tasarımların güncel revizyonlarını aramakla ya da eldeki bilgiyi doğrulamaya çalışmakla kısıtlı zamanını verimli kullanamayan, çalıştığı konuma ya da kişisel bilgisayarlara bağımlı kalan, ortak bir platformda eş zamanlı ve konumdan bağımsız mühendislik faaliyetinde bulunan firmalar büyük oranda bir PLM çözümüne ihtiyaç duymaktadır.

Gelişmiş PLM platformları içerdiği tüm fonksiyonlara, lokasyondan bağımsız web tabanlı erişim imkânı sağlayan, tek bir merkezi veritabanı ve Şekil 2 deki tüm modülleri için ortak bir altyapı ve arayüze sahip bütünleşik bir sistemdir. Aynı zamanda, işletmenin büyüklüğü ve ihtiyaca göre rahatlıkla ölçeklendirilebilen bir yazılım mimarisine sahiptir. PLM, ürün yapısı ile ilgili görünümleri oluşturmanıza ve yönetmenize olanak sağlayarak, konfigürasyon yönetimini optimize etmenize yardımcı olur. Artık şirket veya genişletilmiş tedarik zinciri içerisindeki herhangi bir kişi, lokasyondan bağımsız olarak PLM içerisindeki araçlara erişerek iş süreçleriyle etkileşime girebilir, kolaborasyon sağlayabilir.

Günümüzün hızla gelişen küresel ortamında rekabet etmek için üreticiler, maliyet, ağırlık, güvenilirlik ve çevresel etki gibi yeni hükümet düzenlemeleri ve daralan teslimat zaman dilimleri gibi giderek artan sayıda ürün performansı gereksinimini karşılamaları gerekmektedir. Ürün tasarımlarında, yönetmeliklerde, tedarik zinciri yönetiminde ve maliyetlerde sık sık yapılan değişikliklerden haberdar olup bu hedeflerin karşılanmasını sağlamak, muazzam bir veri yönetimi zorluğu ve aşılması gereken bir problemdir. En küçük değişiklik bile ürününüzü önemli ölçüde etkileyebilir. Gözden kaçan bir değişiklik ya da kontrol kaybı, tepeden en alt kısma kadar hedeflerden sapmaya, yeniden çalışmalara, geri çağırmalara, harcanan zamana ve artan maliyetle beraber engellenen satış anlamına gelir. Dolayısıyla bu ve benzeri sorunlarla karşılaşmamak için PLM sistemi kullanmak hayati öneme sahiptir. Ürün kalite, güvenilirlik ve riskini yönetmek için birden fazla, farklı çözüm kullanan şirketler, kendilerini verimsiz işten çıkarmalar, kalite hataları ve ürün kalitesi bakımından genel resimdeki boşluklar gibi risklerle baş başa bırakırlar. Kurumsal çapta kalite yönetimi, sahadaki ürün sorunları ve erken ürün tasarımı arasında gerçekleşen kalite döngüsünü kapatır, böylece fabrika genelinde kritik kalite bilgilerini iletip iletişimi sağlar ve yaşam döngüsünün herhangi bir aşamasındaki ürün ve süreç kalitesinde yüksek düzeyde görünürlük sağlar.

PDM VE SÜREÇ YÖNETİMİ

Şekil 3 te görseli verilen PTC Windchill PLM programı temel ürün verileri, yönetim yeteneklerinden, sektöre özgü gereklilikleri karşılamak için süreç optimizasyonuna kadar, hem küçük şirketlerin hem de genişletilmiş işletmelerin ihtiyaçlarını benzersiz bir şekilde karşılamak için tasarlanmıştır.

İŞ BİRLİĞİ

Şekil 4 te tüm katılımcıların aynı verilere bakmalarını sağlayıp sanal olarak aynı odadaymış etkisi yaratan iş birliği araçları sunan uygulama gösterilmiştir.

ÜRÜN ANALİZLERİ

Şekil 5 te PLM Ürün Analitiğim: kullanıcıların ürün uyumunu, performans ve riskini, yenilik sürecinin başından başlayarak ürün yaşam döngüsü boyunca devam etmesini sağlamaya yardımcı olur.

SERVİS BİLGİSİ

Şekil 6’da, özgün ürün veri yapılarını mühendislikten mimarlığa taşımak ve ürün ömrü boyunca hizmet bilgilerinin daha iyi sunulmasını sağlamaya yardımcı olur.

KALİTE

Şekil 7 de, PLM sistemleri Kalite Çözümleri, kuruluşun her seviyesinin ürün kalitesini yönetmek ve iyileştirmek için donatılmasını sağlar.

ENTEGRASYONLAR

Şekil 8 de gelişmiş PLM sistemlerinin geniş bir entegrasyon modülü ve araç yelpazesi sunulmuştur.

1.1.2. KURUMSAL KAYNAK PLANLAMA SİSTEMİ (ERP)

ERP “Enterprise Resource Planning” (Kurumsal Kaynak Planlama), işletmelerin her türlü kaynaklarını (insan kaynakları, fiziksel kaynaklar, finansal kaynaklar vb.) bir araya getirerek yönetilmesini ve verimli olarak kullanılmasını sağlamak ya da desteklemek için geliştirilmiş sistem ve yazılımların genel adıdır [9].

Klasik bir ERP yazılımı işlem yapabilmek için bilgisayarın çeşitli yazılım ve donanımlarını kullanır. ERP sistemleri temel olarak değişik verilerin saklanabildiği bütünleşik bir veritabanı kullanırlar. İşletmenin farklı iş tiplerini ve faaliyetlerini yönetmelerini sağlayan yazılım modüllerini tek bir veritabanı kullanarak toplayan bir yapıdır [9]. ERP sistemleri müşteri siparişlerinin müşteri temsilcileri tarafından alınıp yükleme yapılana kadar ve finansın gönderdiği fatura bilgileri gibi tüm verilerin toplandığı sistemdir. Üretimin sürdürülmesi için plan yapma ihtiyacı ile doğan ERP her ne kadar planlama adı ile tarifi yapılmış olsa da aslında yapılan iş yönetmedir. Planlamaya veri sağlayan bu altyapı yazılımı ile birlikte birçok donanımın da dâhil olduğu çok sayıda bileşen içerir [9]. Bir ERP yazılımı içinde genelde bağımsız olarak çalışan Üretim Yönetimi, Finans Yönetimi, Malzeme Stok Yönetimi, Satış Yönetimi, Müşteri İlişkileri Yönetimi, İnsan Kaynakları Yönetimi, Bütçe Yönetimi, Dış Ticaret Yönetimi, Kalite Yönetimi, Bakım Yönetimi, Satış Sonrası Hizmetler, İş Zekâsı gibi çeşitli uygulamalar bulunmaktadır. ERP yazılımına geçiş önce işletmenin kendisini tanımlaması ve böylece tüm iş ve süreçlerini tanımlaması anlamına geldiğinden işletme süreçlerini standardize ederek kolaylaştırır ve yalınlaştırır. Bu yalınlaşma ise direkt olarak işletmenin maliyetlerinde azalma ve zamanı verimli kullanma konusunda katkı sağlar.

ERP yazılımları işletmenin tüm departmanlarını birbirine bağlayan bir yapıya doğru işletmeyi evirirken işletmede farklı yönlerden bakılan konu ve işler için departmanlar ve süreçler arası uyum yakalanarak aynı dilin konuşmasına destek sağlar. Böylece işletmenin sözlü iş şekilleri sayılara verilere ve raporlara dönüştürerek işletmenize ve yöneticilere objektif bir karar alma imkânı kazandırır. ERP projeleri hızlı ve büyük ölçekli faydalar sağlar. Bu faydalar maliyet tasarrufundan verimlilik artışına kadar uzanırken aynı zamanda çok daha etkili ve hızlı bir karar mekanizmasını yö- netim kademesine kazandırmayı mümkün kılar. Sonuç olarak, ERP ile ulaşılmak istenen temel hedef işletmenin verilerini bir araya getirerek bunlarda karara dönüştürülebilecek anlamlı sonuçlar elde etmektir [9].

1.1.3. NESNELERİN İNTERNETİ SİSTEMİ (IOT)

“Nesnelerin İnterneti (IoT:Internet of Things)” terimi ilk olarak 1999 da “Tedarik zincirlerinde RFID” başlıklı sunumunda konuşan Kevin Ashton tarafından kullanılmıştır. Genel olarak IoT, insanları, verileri, işlemleri, makinaları ve fiziksel nesneleri birbirine internet üzerinden bağlanarak iletişim halinde olma durumudur. Bu üst düzey bağlanabilirlik, işletmeler, bireyler ve nesneler için yeni özellikler, daha zengin deneyimler ve daha önce benzeri görülmemiş bir ekonomik fırsat sunmaktadır. Günümüzde bu terim dünya tarafından iyi bilinmekte ve hem akademi hem de sanayide önemli bir konu oluşturmaktadır [2],[3]. Şekil 9 da bir CNC tezgahının çeşitli kritik noktalarına yerleştirilen endüstriyel sensörler vasıtasıyla IoT platformuna aktarılan zaman bazlı verilerin ERP sisteminden de çekilen verilerle Analitik platformunda analiz edilip parçaların anomali analizi ve kestirimci bakımlarıyla ilgili sonuçların kullanıcı ekranları vasıtasıyla gösterilme mimarisi gösterilmiştir. Yukarıda bahsedilen PLM, ERP ve IoT sistemleri verileri yönetmek için kurulan platformalardır. Bütün bu yapılar bünyelerinde ihtiyaç duyulan ve ilgi alanlarına giren verileri türetir, yönetir ve depolar. Ancak bu verilerin anlamlandırılması karar aşamasında oldukça önemlidir. Buda analitik yöntemler ile verilerin karşılaştırılarak yorumlanmasıyla mümkündür. Bu durum işletmelerin verimliliklerini artırmalarında hayati öneme sahiptir. İşletmelerin büyük bir rekabet içinde bulunduğu tüm sektörlerde kazanmak ile kaybetmek arasındaki sınır sürekli olarak daralıyor. Artık rekabetçi piyasa şartlarında kazanmak, yaratıcı hamleler ve zamanında alınan sağlıklı kararlarla mümkün olabiliyor. Özellikle hızlı değişen pazarlarda ve kar marjlarının küçüldüğü alanlarda veri, aynı hızda gelişen teknoloji ve analiz yöntemleri ile işletmelere daha isabetli kararları hızlı almalarına yardımcı olacak ve katma değer yaratacak yenilikleri mümkün kılacak potansiyeli sağlıyor. Daha iyi bir hizmet ve ürün portföyü sunabilmek amacıyla firmalar verimlilik, karlılık ve sürdürülebilir üretim süreçleri gibi kritik alanlarda rekabet avantajı yakalayabilmek için veri analitiği üzerine daha fazla yatırım yapmaya başladılar [1].

Veri Analitiği, yüksek hacimli verilerden bir iş değeri yaratmak üzere istatistik bilimi ile modern sayısal hesaplama yöntemleri arasındaki entegrasyonu sağlayarak firmaların bu potansiyeli açığa çıkarmaları için gereksinim duydukları bilgi ve araçlara erişimini mümkün kılar. Birçok danışmanlık şirketi Veri Analitiğinin 21. yüzyılın en gözde faaliyet alanlarından biri olacağını göstermektedir. Şirketler çok yakın bir gelecekte bu konuda eğitimli, analiz için kullanılacak doğru ve uygun veri grubunu seçebilen, bu veriyi modelleyebilecek araçları kullanabilen, sonuçlarını yorumlayarak iş süreçlerinin geçirmesi gereken transformasyonu raporlayabilen iş gücüne daha fazla ihtiyaç duyacaktır [1].

Optimizasyon ve Veri Analitiği çalışmaları bu doğrul- tuda akıllı algoritmalar geliştirerek hızla değişen piyasa koşullarına ve yeni fırsatlara zamanında ve maliyet-etkin şekilde yanıt verilmesini mümkün kılmayı hedefler. Bu alanda yürütülen projelerde büyük verinin analizi, süreçlerin matematiksel olarak modellenmesi, hızlı bir biçimde sonuç üreten algoritmaların geliştirilmesi ve entegrasyonu söz konusudur [10]. Planlama süreçlerinin otomasyonu ve belirlenen performans ölçütleri doğrultusunda en uygun çözümün sunulması ile rekabet avantajı yaratılır [10].

2. VERİ ANALİTİĞİ

Geçmiş ve süregelen operasyonların karmaşık verilerinin etkin ve doğru şekilde değerlendirebilmek özellikle son zamanlarda başlı başına uzmanlık gerektiren konu haline gelmiştir. Veri analitiği bu konuya özel olarak geliştirilmiş matematiksel/algoritmik metotların geneline verilen addır. Bir başka deyişle veri madenciliği, veri temizleme, kümeleme ve bilgi ayıklama yöntemlerini kullanarak şirketlerin önemli kararlarına temel sağlayan yalın bilgiyi çıkarmayı sağlar. Bu bağlamda müşterilerin taleplerini daha iyi okumaya, özellikle zorlu rekabet ortamlarında etkin karar almaya ve piyasada hakimiyet kurmaya yardımcı olur.

VERİ BİLİMİNDE KULLANILAN VERİ ANALİTİĞİ TİPLERİ ŞUNLARDIR:

Tanımlayıcı (Descriptive), Arıza Tespiti (Diagnostic), Kestirimci (Predictive) ve Yönlendirimci (Prescriptive).

2.1. TANIMLAYICI ANALİTİKLER (DESCRIPTIVE ANALYTICS)

Tanımlayıcı analitikleri tarif edici olarak ifade edilir. Veri’yi (özelinde business’ı) tanımladığımız bilgi edindiğimiz analitiktir. Veri hakkında tanımlayıcı bilgileri ortaya koymaktadır. Ne oldu? (What happened?) sorusuna cevap aldığımız kavramdır. İstatistik derslerinde ilk olarak bahsedilen tanımlayıcı kavramların genel adıdır. İstatistik, Veri Madenciliği, İş Zekası gibi alanlarda sıkça rastlanılır [6],[7].

2.2. TANI ANALİTİĞİ (DIAGNOSTIC ANALYTICS)

Tanı Analitiği, veriye yada içeriğe ilişkin teşhis durumunun konulmasını içeren ileri analitik tekniklerdir.

İçerisinde Örüntü (Pattern), Veri Madenciliği (Data Mining), Korelasyon (Correlation) gibi teknikler ile Neden oldu? (Why did it happen?) sorusuna tanı/teşhis koyabilir ve karakterize edebilir [6],[7].

2.3. KESTİRİMCİ ANALİTİK (PREDICTIVE ANALYTICS)

Kestirimci Analitik(Predictive Analytic), tahmine yönelik bir kavram (forecast, predict) olarak ifade edilir. Geçmişe yada geleceğe yönelik olarak belirli bir durum olması/olmaması halinde satış, karlılık, performans gibi metriklerin belirlenmesinde kullanılan bir kavramdır. Ne olacak? (What is going to happen?) sorusuna cevap vermektedir. İstatistik derslerinde tahmin edici (çıkarsamalı) olarak bahsedilen kavramdır.(Estimate, Forecast, Predict) ve Time Series Analysis (Zaman Serisi Analizi), Regresyon (Regression – Bağlanım), Çok Değişkenli İstatistik (Multi- variate Statistics) teknikleri tahmin edici modeli karakterize etmektedir [6],[7].

2.4. YÖNLEMDİRİMCİ ANALİTİK (PRESCRIPTIVE ANALYTICS)

Yönlendirimci Analitik, kuralcı bir ileri analitik tekniğidir. Yapısı itibariyle tavsiye/öneri sistemleri benzemektedir. Tanımları belirledikten tahminlerin oluşturulmasından sonra belirli aksiyonların/eylemlerin alınması sürecidir. Ne yapılmalı? (What should be done?) sorusuna cevap verebildiğimiz bir metriktir. Sürecin devamlılığı için Graf Teorisi (Graph Analysis), Simülasyon (Simulation), Sinir Ağları (Neural Networks), Tavsiye Motorları (Recommendation Engines), Sezgisel Yöntemler (Heuristics), ve Makine Öğrenmesi (Machine Learning) teknikler ile karakterize edilmektedir [6],[7]. Endüstri 4.0, Siber Fiziksel Sistemler (CPS), Nesne- lerin İnterneti (IoT), Hizmetlerin İnternetinin (IoS) ve Veri Madenciliği (DM) ile Veri Analitiğinin yapılmasıyla ilgili çeşitli teknolojik gelişmelerin bir araya getirilmesidir. CPS, birçok yeni yöntemle insanlarla bütünleşebile- cek ve fiziksel özelliklere sahip yeni nesil sistemleri ifade eder. Önemli olan, fiziksel dünyanın hesaplama, iletişim ve kontrol yoluyla etkileşimde bulunma ve yeteneklerini genişletme yeteneğidir. IoT, çeşitli algılama, tespit, tanıma, konum izleme ve izleme ekipmanı aracılığıyla fiziksel dünyayı genişletmek için internetteki varlıklara her zaman her yerde erişim olarak tanımaktadır. Verilerin Analitiğinin yaygınlaşmasıyla Endüstri 4.0 kavramı önemini giderek artırmaktadır.

3. ENDÜSTRİDE VERİ ANALİTİĞİNİN SOMUT ÇIKTILARI

Bir işletmedeki makinaların verimliliklerini artırmak için özel noktalara yerleştirilen sensörler ile toplanan ve- rilerin analitiğinin yapılıp ve sürekli gelen veriyle analitik hesabının iyileştirilmesiyle kestirimci bakım doğmuştur. Bakım, ekipmanların ya da makinaların muhtemel arızalardan arındırılarak ekipmanın yaşam döngüsü kadar süre içerisinde arıza yapmadan verimli bir şekilde çalışmasının sağlanması şeklinde tanımlanabilir. Makinelerin beklenmedik arızaları sebebiyle üretimin durması üretim kayıplarına ve maliyeti yüksek bakım ve onarım giderlerine sebep olmaktadır. Bu noktada üretimin sürekliliğini sağlamak ve verimi artırmak için atılması gereken en önemli adım; makinalardan gelen verilerin anlık analiz edilip anlamlandırılmasıyla olacaktır [10]. Bir bakım işlemi bir dizi bakım faaliyetini içerebilir: izleme, durum analizi, rutin bakım, revizyon, onarım ve yeniden yapılanma. Avrupa standardına göre, bakım, bir ürünün yaşam döngüsü boyunca tutması veya gerekli işlevi gerçekleştirebileceği bir durumda geri getirmesi veya eski haline getirmesi amaçlanan tüm teknik, idari ve yönetsel eylemlerin birleşimi olarak tanımlanır [6]. Bakım strateji- sindeki ilerleme, uzun bir tarihsel gelişmeden faydalanmaktadır. Kestirimci bakımın amacı, ekipmanın çalışma durumunu izleyerek ve ekipman arızasının ne zaman ortaya çıkabileceğini tahmin ederek sıfır arıza üretimi öncülünde arıza süresini ve bakım maliyetini azaltmaktır. Gelecekteki potansiyel arızalar için tahmin yoluyla arıza gerçekleşmeden önce bakımın planlanmasını sağlar. İdeal olarak, bakım programı bakım maliyetini en aza indirmek ve sıfır hatalı üretime ulaşmak için optimize edilir. Yapay zekâ teknolojisinin gelişmesiyle beraber mümkün olan önleyici ve kestirimci bakım ile yapılan makina bakım ve performans yönetimi, sadece makinaların arıza, bilgi ve tahminleri değil aynı zamanda akıllı bakım takibiyle daha önce de aynı nedenden bozulduysa nasıl tamir edildiği gibi çok daha geniş çaplı bir vizyon sağlar. Önleyici ve kestirimci bakım, makine öğrenimi ve veri analitiğini kullanarak makinelerin çalışma değerleri, nasıl üretildiği, bakım bilgileri ve çalışma koşulları gibi geniş yelpazedeki bir veriyi kullanır. Cihazların ortalama performans değerlerini, potansiyel arızalarını, bakım durumunu ve takvimini, nasıl tamir edileceği gibi bilgileri sunar.

Böylece üretim hattını etkileyen kritik cihazların olası arızalarını daha oluşmadan belirleyip, bakım ekibini, nasıl tamir edileceği bilgisiyle beraber yönlendirerek duruşları önemli miktarda azaltır. Bu da üretimde süreklilik ve verimi arttırarak üretim ve bakım maliyetlerini azaltır [11]. Bununla birlikte, büyük veri ve bulut bilişim gibi teknikler kullanılmadan kestirimci bakımı tüm avantajlarıyla gerçekleştirmek zordur. Birçok üretim sistemi, veri erişimi ve veri kalitesi konusundaki yüksek talep nedeniyle büyük verileri yönetmeye hazır değildir ve ilgili bilgileri elde etmek için birden fazla veri kaynağı kullanmaktadır. Şekil 10’da bir yukarıda bahsedilen anomali parametresinin ekran örneği verilmiştir. Ekranda titreşim, sıcaklık parametreleri ile anomali bir ekranda kontrol edilip karar verme mekanizmalarına yardım etmektedir. Uygulanan verimlilik tabanlı analitik yöntem olan kestirimci bakım projesi bu çalışmada anlatılan kestirimci bakım sistemine uygun olarak hayata geçirilmiş ve yaygınlaştırılabilmesi için ölçeklenebilir olmasına özen gösterilmiştir. Kestirimci bakım projeleri alışılagelmiş yazılım mimarilerinden farklı olarak, inşa edilebilmesi ve gerekli veri havuzunun oluşturulabilmesi için zaman ve belirlenen amaç için kaliteli ve doğru veri gereksinimi duymaktadır. Aynı zamanda yeterli, kaliteli ve doğru veri alınabilmesi için kestirimci bakım uygulanan firmaların süreçlerinin dijitalleşme anlamında belli bir olgunluğa ulaşmış olması gerekmektedir. Tüm süreçler dijital olarak ilerleyeceğinden uygulamayı besleyecek her farklı veri kanalı ve bu kanalların güvenilirliği başarıyı ve firma içinde ölçeklendirilebilmesini ciddi oranda arttıracaktır. Bütün bunlarla birlikte doğru algoritmaların seçimiyle analitiği yapılan veriye ait makinanın durumu gözlemlenir.

4. VERİ ANALİTİK FAYDALARI

Endüstriyel Nesnelerin İnterneti (IIoT) veya Endüstri 4.0 olarak da bilinen Sanayi Devrimi’nin 4. evresiyle birlikte, ekipman kullanımı, işletme maliyeti, işçi verimliliği konularına daha fazla odaklanılmaktadır. 4. Sanayi Devrimi ile başlayan hiper bağlanabilirlik sayesinde sanayide üretime katkı sağlayan bütün makine ve nesnelerin çalışma ve- rimlilikleri ürettikleri verilerin sistematik olarak takip edilip analitiğinin yapılmasıyla birlikte maksimum verimlilikte çalışmaya başlayacaklardır. Bu da beraberinde firmaların karlılığını artırıp geleceğe daha emin adımlarla yürümelerine vesile olacaktır. Bu uygulamalar sadece makine ve teçhizat imalatında- ki sanayiler ile sınırlı kalmayıp hayatın her alanına ulaşarak verimlilikleri artırmaya devam edeceklerdir. Başta insan sağlığı olmak üzere birçok konuda yaşamı iyileştirme ve uzatmaya yönelik faydalar sağlayacağı aşikardır. Endüstriyel IoT, düşük maliyetli sensörleri etkin bir biçimde operasyona entegre edilmesi ile ilgilidir. Makine verilerini toplamak ve anlamlı çıkarımlar elde etmek için ileri analitik uygulamalar kullanılmaktadır. Endüstriyel IoT’nin üreticilerin üretkenliklerini %30 artırmalarına izin vereceği öngörülmektedir. Kestirimci bakım özelinde yapılan analitik uygulamalar üretim hattındaki cihazların planlı ve plansız arıza maliyetlerini %60 a varan oranda düşürebilmektedir.

4.1. AKILLI FABRİKA

Endüstri 4.0 devrimi ile siber-fiziksel sistemlerin fiziksel süreçleri takip ettiği, fiziksel dünyayı temsil etmek ve doğru kararların alınmasını kolaylaştırmak için sanal bir kopya oluşturduğu “Akıllı Fabrika” fikrinin vizyonunu ve uygulanmasını kolaylaştırmaktadır. Bu teknolojilerle birlikte fabrikalar her nesnenin kendi kendini iyileştirmesiyle her olumsuzluktan geri bildirimde bulunarak sistemi rekürsif olarak düzenlemesi sürekli verimliliklerini artırmasına sebep olur. Bu teknoloji, fabrikadaki ürünlerin sadece kimliklerini belirlemekle kalmaz aynı zamanda özelliklerini, tarihçesini ve durumunu Radyo Frekansı Tanımlama (RFID) teknolojisi ile kaydedebilir. Böylece siber-fiziksel sistemler ve internet üzerinden iletişim kurup işbirliği yaparak fiziksel ve dijital dünyaları birbirine bağlar ve yeni üretilecek ürünlerin iyileştirilmesiyle ilgili muazzam bir geri bildirim sunar.

5. SONUÇ

Bu çalışmada Endüstrideki Verilerin Analitiğinin yapılmasının önemi, yapılma şekilleri ve sağlayacağı faydalardan bahsedilmiştir. 4. Sanayi devrimi, gelecekte yönetilen endüstrilerde öngörülü ve akıllı üretim gibi sistemlerin Veri Analitiği ile mümkün olacağı görülmüştür. Endüstri 4.0’ın sağlıklı uygulanabilmesi için bir fabrikada, veri çeşitliliği sağlanması ve bu verilerin analitik yöntemler ile anlamlandırılması gerekmektedir. Bütün bu sistemler birbirine bağlı olarak çalışmakta ve biri olmadığında sistemin sağlıklı çalışması da mümkün olmamaktadır. Bu yüzden, işletmelerde öncelikle PLM ve ERP sistemlerinin kurulup işlevsel olarak çalıştırılması ve akabinde IoT sistemiyle veri çeşitliliğinin artırılıp çok daha spesifik noktalardaki darboğazları analitik yaklaşımlar ile çözmek mümkün hale gelecektir. Sonrasında ürünlerden gelen geri bildirimler proje ekibinin yeni ürünlerin tasarımında etkin kullanılmasıyla üretiminde optimize edilip toplam faydayı her geçen süre daha da artıracaktır. Sonuç olarak, veri yönetimi uygulamaları bir varış noktası değil, bir yolculuk olarak görülmeli ve her alanda bilime yeni katılan kavramlar eşliğinde geliştirilmeye devam edilmelidir.

KAYNAKLAR

1. https://da.sabanciuniv.edu/sites/da.sabanciuniv.edu/ files/da_2018.pdf 2. Haller, S., Karnouskos, S., Schroth, C. 2009. The Internet of Things in an Enterprise Context. Springer. 3. Meyer, S., Ruppen, A., Magerkurth, C. 2013. Internet of Things-aware Process Modeling: Integrating IoT Devices as Business Process Resources. In: Advanced Information Systems Engineering, pp. 84–98. 4. Chen, W., Hoang T.V., Peng, N. 2015. An IoT Application for Fault Diagnosis and Prediction. IEEE Interna- tional Conference on Data Science and Data Intensive Systems, 10-12 August 2015, China. 5. Lee, J., Kao, H.A., Yang, S. 2014. Service innovation and smart analytics for industry 4.0 and big data en- vironment. Procedia CIRP, vol. 16, pp. 3-8. 6. http://kod5.org/veri-biliminde-veri-analitigi-tipleri/ 7. https://public.dhe.ibm.com/common/ssi/ecm/ti/en/ tiw14162usen/watson-iot-cognitive-solutions-ww-w- hite-paper-external-tiw14162usen-20180502.pdf. 8. https://halobi.com/2014/10/descriptive-predicti- ve-and-prescriptive-analytics-explained/ 9. https://www.uyumsoft.com/erp-nedir 10. http://borusanarge.com/Hizmetler/Optimizasyon-Ve Veri-Analitigi 11. Ötleş, S., Çolak, U.C., Ötleş, O. 2018. Endüstri için Ya- pay Zekâ. Plastik Ambalaj Dergisi, 46-50. 12. Cox, M., Ellsworth, D. 1997. Application-Controlled Demand Paging for Out-of-core Visualization. Proce- edings of the 8th Conference on Visualization’97, Pho- enix, AZ, U.S.A., 235- 244. 13. Diebold, F.X. 2013. Big Data’ Dynamic Factor Models for Macroeconomic Measurement and Forecasting. M. Dewatripont, L. P. Hansen ve S. J. Turnovsky (Eds.), “Advances in Economics and Econometrics, Theory and Applications”, Eighth World Congress of the Econometric Society, Cambridge, United Kingdom: Camb- ridge University Press, Vol.III, 115-122. 14. Ege, B. 2013. Rastlantının Bittiği Yer Big Data. Bilim ve Teknik, 550, 22-26. 15. Aktan, E. 2018. Büyük Veri: Uygulama Alanları, Analitiği ve Güvenlik Boyutu. Bilgi Yönetimi Dergisi, Cilt: 1, Sayı: 1, 1-22.