Optimaliseer service en onderhoud met predictive analytics

De digitalisering van processen in de service- en onderhoudssector biedt bedrijven en klanten al veel verbeteringen en voordelen. De gegevens die in de loop der jaren zijn verkregen, kunnen echter ook worden gebruikt om bevindingen en trends voor de toekomst af te leiden. Door het gebruik van voorspellende analyses kunnen bedrijven vandaag de dag de toekomst van hun service en onderhoud optimaliseren en zo concurrentievoordelen voor zichzelf creëren.

Hoogontwikkelde computeralgoritmen worden gebruikt om enorme hoeveelheden gegevens te evalueren om ontwikkelingen zichtbaar te maken die onherkenbaar zouden zijn voor de mens. Het doel is altijd de optimalisatie van een product of een proces, wat kan leiden tot kostenbesparingen, meer voordelen voor de klant of een betere benutting van de middelen voor bedrijven.

Hoe werkt Predictive Analytics?

Aan het begin van de predictive analytics workflow staat het verzamelen van relevante gegevens. Idealiter zijn deze gegevens afkomstig van het bedrijf zelf en komen ze ook overeen met de toekomstige toepassingscontext. Als dergelijke gegevens niet of onvoldoende beschikbaar zijn, kunnen ze ook worden verrijkt met externe gegevens worden gegenereerd, gesimuleerd of gekocht.

De verkregen gegevens worden vervolgens voorbewerkt. Dit betekent dat de gegevens worden geselecteerd op basis van hun relevantie. Berekeningstijd en opslagruimte spelen ook een belangrijke rol. Daarna volgt de verwerking: onjuiste of onvolledige gegevens worden opgeschoond en volledige en complete datasets worden omgezet in een geschikt formaat.

Tijdens de daaropvolgende verkenning wordt meestal een eerste handmatige analyse van de gegevens uitgevoerd met behulp van visualisaties zoals histogrammen, strooidiagrammen, lijndiagrammen of staafdiagrammen. Hierdoor kunnen de eerste hypothesen al worden afgeleid. Er kunnen echter ook ontbrekende eenheden, uitschieters of onjuiste gegevens aan het licht komen. Het negeren van deze stap kan fataal zijn, omdat het essentieel is om het nut van de gegevens en het latere model te controleren.

De vierde stap is het modelleren. Hier wordt eerst een modelklasse geselecteerd. Voorspellende modellen maken gebruik van methoden uit de wiskunde en de computerwetenschappen om een gebeurtenis of resultaat te voorspellen op basis van veranderingen in de modelinvoer. Het model wordt getraind met behulp van trainingsgegevens.
Tijdens de evaluatie worden de trainingsgegevens gescheiden van de testgegevens en de modelprestaties op de testgegevens worden na de training op de trainingsgegevens kritisch gecontroleerd. Ten slotte moet men zich afvragen of de resultaten van het model wel zinvol zijn en of ze wel toepasbaar zijn in de echte wereld en een toegevoegde waarde bieden.
Als deze vragen positief worden beantwoord, kan het model naar toepassing gaan en geïntegreerd worden in een product of proces en dit (deze) duurzaam verbeteren.

Toepassingen in service en onderhoud

Dankzij Field Service Management software is er vandaag de dag al een enorme hoeveelheid gegevens beschikbaar op het gebied van resourceplanning en mobiele orderverwerking. Deze gegevens moeten op een gecentraliseerde manier worden verzameld en geëvalueerd om met behulp van voorspellende analyses voorspellingen te doen voor de toekomst van service en onderhoud en om deze kennis op een rendabele manier te gebruiken voor het bedrijf.

De gegevens die vandaag al beschikbaar zijn voor dit doel omvatten:

Installatie gegevens: Gegevens uit de feedback van de technici geven informatie over het aantal en de aard van de storingen en het onderhoud van de eigen systemen of die van de klanten. Door het verzamelen van meet- en installatiegegevens wordt de kennis over de conditie van de installed base  bij klanten of in de eigen fabriek vergroot.

Enerzijds biedt dit een groot potentieel voor aftersales. Aan de andere kant kan deze kennis en de daaruit voortvloeiende onderhoudsopdrachten de beschikbaarheid van de installaties in de industriële productie verbeteren. Bovendien zijn technici die van tevoren weten welke installatie moet worden onderhouden of gerepareerd, beter voorbereid en zullen ze de klus sneller en dus kostenefficiënter voor het bedrijf klaren.

Klantgegevens: De analyse van de klantgegevens heeft ook een groot potentieel voor dienstverlening. Het biedt informatie over het aankoopgedrag, de gebruikte systemen en apparatuur en het serviceniveau, waardoor mogelijkheden voor cross-selling en upselling ontstaan. Persoonlijke service is de sleutel tot langdurige klantrelaties in een concurrerende omgeving. Met kennis van de voorkeuren van klanten, bijvoorbeeld met betrekking tot specifieke technici of tijden voor serviceafspraken, kunnen bedrijven de klanttevredenheid op de lange termijn verhogen.

Gegevens over spare parts: Door de integratie van materiaallogistiek in mobiele oplossingen voor orderverwerking kunnen conclusies worden getrokken over de slijtage van onderdelen uit het verbruik en orders. Zo kan bijvoorbeeld worden afgeleid welke spare parts het vaakst worden gebruikt in bepaalde installaties of waarna bepaalde parts moeten worden vervangen om de levensduur van een installatie te verlengen. Ook de voertuigmagazijnuitrusting kan met deze kennis worden geoptimaliseerd.

Reistijden: De reistijden die de technici rapporteren kunnen helpen bij het optimaliseren van de routeplanning voor de volgende werkzaamheden. Ze kunnen variëren afhankelijk van het tijdstip van de dag of het seizoen. Historische gegevens kunnen de technicus helpen bij het plannen van de routes, zodat ze de klant zo stipt mogelijk bereiken en zo min mogelijk vertraging veroorzaken gedurende de dag.

Bedieningstijden: De werktijd bij de klant of bij een fabriek in de eigen productie wordt ook geregistreerd via de terugkoppeling in de app of mobiele oplossing. Het geeft aan of de door de dispatcher geplande tijd voldoende was voor een foutopsporing of dat de dispatcher de volgende keer meer tijd zal moeten inplannen. Hoe snel een technicus een opdracht afrondt, hangt ook af van hoeveel ervaring of kennis hij heeft.

Middelen: Capaciteitsplanning is een groot probleem bij service en onderhoud. Het hangt af van de industrie, de producten, de omgevingsomstandigheden zoals het weer,seizoenen en vele andere factoren. De inzet van medewerkers speelt een belangrijke rol in de bedrijfsplanning, klant- en medewerkerstevredenheid. Historische gegevens uit de ploegendienstplanning, zoals de orders van het afgelopen boekjaar, kunnen worden gebruikt om hypothetische scenario’s voor de toekomst te creëren en zo een strategische planning voor middelen en capaciteiten uit te voeren.

Voordelen van voorspellende analyses voor service en onderhoud

De voordelen van Predicitve Analytics komen ten goede aan het bedrijf, de klanten en de medewerkers.

Enkele van de voordelen die bedrijven kunnen bereiken door gebruik te maken van voorspellende analyses zijn:

• Verbeterde klanttevredenheid door geoptimaliseerde route- en planningsplanning
• Minder stilstand van installaties en machines door voorspellend onderhoud
• Hogere medewerkerstevredenheid door betere benutting en minder overwerk
• Kostenvermindering door een betere planning van middelen en tijden en een beter beheer van reserveonderdelen
• Verbetering van de first-time-fix-rate door een geoptimaliseerde planning van tijden, middelen en reserveonderdelen, meer kennis van de technici
• Creëren van concurrentievoordelen door een betere klantenservice, kostenbesparingen en meer tevreden medewerkers.