Strategisch data verzamelen

Airborne Oil & Gas (AOG) is 's werelds eerste fabrikant van pijpleidingen gemaakt van compositen voor de olie-industrie. Het is hun ambitie om hun productieproces grotendeels geautomatiseerd te laten verlopen. Landscape beoordeelde hun bestaande IT ecosysteem en hielp een heldere data-strategie te ontwikkelen.

Omdat AOG recent een zelfstandig bedrijf was geworden na een afsplitsing van het moeder-concern, onststond de noodzaak voor een eigen IT-omgeving, inclusief ERP-software om de business te ondersteunen en de gegevensverzameling vereist om het productieproces te optimaliseren.

Wij werden gevraagd om precies uit te zoeken waar de nieuwe eisen aan zo'n systeem verschilden van de oude. Daarbij had AOG toen al de ambitie om de productie zoveel mogelijk te automatiseren, wat natuurlijk een extra set aan (data-)requirements oplegde.

Beoordeling van IT-vereisten

Landscape beoordeelde de benodigdheden voor AOG's primaire bedrijfsvoering. Dit bestond uit stakeholders interviewen, kritisch diens IT-behoeften doorlichten de requirements van de vereiste processen en databronnen uittekenen, en waar mogelijk adviseren over verbeteringen. Dit overzicht van het IT-landschap en de relatie tot de business bleek een zeer effectief middel om beslissingen op te baseren.

Op basis van onze analyse en aanbevelingen heeft AOG haar eigen IT-afdeling opgezet en succesvol haar nieuwe software kunnen aankopen.

De data assets begrijpen

Vervolgens ging Landscape aan de slag met de vraag welke data te verzamelen om de productiehal te kunnen automatiseren. Om een AI te leren dit te doen zijn vele voorbeelden nodig van hoe omgegaan moet worden met verschillende situaties. Een deel van deze data was al voorhanden, een deel niet.

Landscape beoordeelde de primaire databronnen – bestaande en toekomstige – in de productie, waaronder temperatuursensoren en videocamera's. Voor elke databron stelde we vast hoeveel data er verzameld zou gaan worden – beduidend meer dan je ooit economisch verantwoord op zou willen slaan. Op basis van hoeveel en welke data nodig is om een AI te trainen konden we vaststellen wat er precies opgeslagen en bewaard moest worden.

Onze analyse en aanbevelingen vormden de basis voor verschillende projecten van AOG waarin ze hun data-gebruik hebben verbeterd en efficiënter hebben gemaakt.