製造は、効率がすべてです。接続されたデバイス、モノのインターネット（IoT）、予測分析、機械学習を活用することで、メーカーは製造におけるビッグデータによって効率性を高め、より良い製品を市場にいち早く投入することができるようになっています。またそれだけでなく、より良い製品を市場に迅速に投入しながらもコストを削減し、顧客満足度を向上させることも可能になっています。
月に一度、ビッグデータに関する最新のインサイト、トレンド、分析情報、ナレッジをお届けします。
月に一度、ビッグデータに関する最新のインサイト、トレンド、分析情報、ナレッジをお届けします。
製造は、効率がすべてです。接続されたデバイス、モノのインターネット（IoT）、予測分析、機械学習を活用することで、メーカーは製造におけるビッグデータによって効率性を高め、より良い製品を市場にいち早く投入することができるようになっています。またそれだけでなく、より良い製品を市場に迅速に投入しながらもコストを削減し、顧客満足度を向上させることも可能になっています。
製造業者は、手持ちの在庫を最小限にし、原材料のジャストインタイム配送を目指しています。その一方で、在庫切れは重大な生産遅延を引き起こす可能性があります。製造におけるセンサー、RFID タグおよび IoT は、サプライチェーンデータを取得するコストを削減しますが、大規模なデータフローへの対応が常に必要となります。Hadoop は比較的低コストで、この非構造化データを保管することができます。製造業者がサプライチェーンの履歴をより詳しく確認できることで、数ヶ月分のデータからは読み取ることができなかった、大きなパターンを読み取ることができるようになります。このインテリジェンスにより、製造業者はより大きなリードタイムを得られるため、サプライチェーンで中断が発生しても調整することが可能です。また、つながっている工場はサプライチェーンのコストを削減し、最終製品の利益を向上させることができます。
ハイテク製造業では、製造工程の重要なステップでデータをキャプチャするためにセンサーを使用します。発生中に問題を検出できるため、このデータは製造段階において有用です。しかし、「未知なる未知」である捉えにくい問題の一部は、製造時には検出されない場合があります。にもかかわらず、製品が購入された後で、それが高い確率で故障につながる可能性があります。問題が発生して製品が返品された場合、製造業者は製品に法化学テストを行ない、製品が製造された時の元のセンサデータと、法化学データとを組み合わせることができます。この製造におけるビッグデータによって多数の製品に可視性が付加されたことにより、製造業者は、データ不足の環境では不可能だったレベルにまで、工程や製品を向上させることが可能になりました。
現在の製造ワークフローでは、定義済みの正確なステップで調整された高機能なマシンを使っています。マシンが 1 台故障すると、生産ラインが停止する場合があります。早過ぎの段階でのメンテナンスにはコストがかかります。メンテナンスや修理には、早過ぎず遅過ぎない最適のスケジュールが必要です。機械学習アルゴリズムは、各機器の保守イベントやマシンデータと、故障履歴とを比較することができます。これらのアルゴリズムにより、リアルタイムの情報と履歴データに基づき、最適なメンテナンススケジュールを導出することができます。製造予測分析を使用することにより、機器の使用率を最大限に高め、工場設備費を最小限に抑え、予期せぬ作業中断を回避する一助となります。
バイオ医薬品製造では、環境条件を注意深く監視し制御する必要があります。どんな生産工程においても、初回歩留まり（FTY）を最大限にすることが目標となります。FTY とは、生産ラインを初めて通って正しく製造された製品数を表す単位です。FTY の増加パーセンテージは、製造コストの大幅な削減を表します。オペレーションの可視性が乏しいと、FTY の改善が阻止されることが多々あります。他の既存のデータストアと統合することができる場合、センサーデータは、その可視性を改善するための生データを提供することができます。Hadoop はデータ採取前に先験的スキーマを必要としないため、Hadoop Data Lake ではこの統合が容易になります。また、Hadoop のストレージコストは低価格であり、クラスタはより多くのデータを、より多くのフォーマットで、より長期間保管できるため、データ内の新しい関係を発見することができます。Merck Research Laboratories が Hortonworks Data Platform で医薬品製造を最適化した方法についてご覧ください。
徹底的にテストした製品でも販売後には問題が発生します。顧客は製造業者には問題を報告しなくても、ソーシャルメディア上で友人や家族に製品に関する不満をシェアするかもしれません。製品の問題に関するデータのソーシャルストリームは、従来のサポートチャネルからの製品フィードバックを増強することができます。Hadoop は、膨大な量のソーシャルメディアからのセンチメントデータを保管します。このデータから、製造業者は早い時点で、製品の全ライフサイクルにおけるパフォーマンスを理解することができます。製品の評判を守るため、問題を迅速に把握し早期に行動するこの能力は、顧客ロイヤルティを獲得、維持する強い力を持っています。
6.6.18
4.24.18
4.2.18
3.16.18
3.15.18
2.12.18
1.23.18
1.4.18
12.18.17
11.22.17
7.10.17
6.27.17
This website uses cookies for analytics, personalisation and advertising. To learn more or change your cookie settings, please read our Cookie Policy. By continuing to browse, you agree to our use of cookies.
シェア
登録
Apache, Hadoop, Falcon, Atlas, Tez, Sqoop, Flume, Kafka, Pig, Hive, HBase, Accumulo, Storm, Solr, Spark, Ranger, Knox, Ambari, ZooKeeper, Oozie, Phoenix, NiFi, Nifi Registry, HAWQ, Zeppelin, Slider, Mahout, MapReduce, HDFS, YARN, Metron and the Hadoop elephant and Apache project logos are either registered trademarks or trademarks of the Apache Software Foundation in the United States or other countries.
