I dati ci sono, ma sono sfruttati poco (e male). E le aziende faticano ad adottare realmente strategie data-driven. Da un lato restano questioni tecnologiche aperte: far dialogare i protocolli OT con quelli IT, prelevare dati dai macchinari di vecchia generazione e integrare sistemi proprietari per la gestione dei dati. Dall’altro lato appare chiaro come la questione “tecnologica” sia solo un lato della medaglia. Vi è infatti, sul suo rovescio, la necessità di fare quel salto culturale che le aziende non hanno ancora pienamente compiuto e che riguarda sia la corretta formazione del personale sulle tecnologie e le competenze relative all’Industrial IoT e all’analisi dei dati industriali, sia la convergenza tra i processi “bottom-up” e “top-down” relativi alla gestione del “ciclo di vita” dei dati industriali, necessaria per garantire che gli investimenti aziendali producano davvero valore.
Sono questi alcuni dei temi emersi dal confronto organizzato da Innovation Post per discutere i dati di una survey realizzata da Nextwork 360 con professionisti del mondo industriale provenienti da aziende manifatturiere, fornitori di tecnologie ed esperti del mondo del trasferimento tecnologico.
Indice degli argomenti
I dati della survey: i dati ci sono, ma non servono a prendere decisioni
L’indagine ha coinvolto un campione qualificato di manager che operano nel settore manifatturiero. Dalle risposte emerge che il primo ostacolo alla digitalizzazione è rappresentato dall’incompatibilità tra i protocolli legacy e i sistemi moderni, segnalata dal 44,0% dei rispondenti, seguita dalla carenza di competenze interne (22,6%) e la scarsa qualità o frammentarietà dei dati (19,0%). I costi legati a sensori e gateway si attestano invece su un margine secondario, indicato da appena il 10,7% del campione.
Sul fronte dell’integrazione tra le tecnologie OT e i sistemi gestionali solo il 2,4% dichiara un’infrastruttura end-to-end completamente integrata, a fronte di un 48,2% che dispone di un’integrazione parziale limitata a pochi KPI o macchinari e di un 35,3% che affida al software MES il ruolo di cerniera tra campo e business. La presenza di silos completamente separati con rendicontazione manuale riguarda il 14,1% delle realtà.
La disponibilità dell’informazione non equivale automaticamente alla capacità di guidare i processi produttivi in modo consapevole. Dalle risposte sugli ostacoli all’estrazione di valore emerge che il 31,8% delle aziende lamenta una sovrabbondanza di dati grezzi privi di un contesto utile, mentre il 28,2% individua il freno principale nella resistenza culturale all’uso dell’informazione. La mancanza di dashboard centralizzate frena il 21,2% delle strutture, mentre il 15,3% incontra difficoltà nell’interpretare i parametri in tempo utile per l’operatività.
“Essere data rich non significa necessariamente essere data-driven: il valore nasce quando l’azienda è in grado di trasformare un dato grezzo in reale informazione e poi in una decisione”, spiega Raffaello Balocco, Professore del Polimi e Co-Founder di Nextwork 360. “La vera sfida non è raccogliere quantitativamente più dati, ma ridurre sempre di più la distanza tra la macchina che genera il dato e la persona che deve prendere una decisione di valore”, dice.
Le priorità strategiche confermano una spinta verso l’ottimizzazione difensiva: il 41,2% ricerca primariamente l’efficienza produttiva e il miglioramento dell’OEE, il 22,4% punta sulla manutenzione tramite analisi storiche e il 20,0% sulla tracciabilità dei costi per lotto, a fronte di un modesto 11,8% che guarda alla flessibilità rispetto alle variazioni di domanda.
Alla domanda su quanto le soluzioni già installate in azienda siano in grado di offrire già un supporto alle decisioni, il 49,4% ammette di avere una buona visibilità, offuscata però da necessari passaggi manuali. Quanto alle priorità di investimento futuro, il 50,6% del campione inserisce Analytics e AI in cima agli investimenti previsti.
La priorità della strategia sui processi
Dalla survey è quindi emerso come la cultura aziendale rappresenti per molte realtà ancora un freno significativo alla trasformazione data-driven. L’efficacia della trasformazione digitale è infatti strettamente legata al disegno organizzativo dell’azienda.
“Spesso l’attenzione cade unicamente sulla tecnologia e ci si dimentica dei processi che dobbiamo cambiare prima di inserirla, cadendo nella trappola della curva J della produttività descritta dall’economista Erik Brynjolfsson”, osserva Federico Milan, Senior OT Manager Delivery di Stevanato.
La definizione dei traguardi aziendali dovrebbe quindi precedere la scelta degli strumenti tecnici, così che le misurazioni riflettano una visione complessiva del business. Per Milan la sequenza corretta parte da visione e proposta di valore, passa per strategia e obiettivi e arriva soltanto alla fine ai KPI: OEE ed efficienza hanno senso se misurano un valore definito in precedenza.
L’estrazione del dato dal macchinario copre solo una porzione del valore finale che l’azienda può ricavare dall’investimento.
“La disponibilità tecnologica dell’informazione garantisce soltanto il 50% del risultato, l’altro 50% risiede nella capacità dell’organizzazione di leggere il dato e spingere le persone a reagire sullo shopfloor”, afferma Stefano Faccio, Head of Manufacturing Digitalization, Manufacturing Operation di Marelli Lighting.
La capacità dell’organizzazione di assimilare le informazioni richiede interventi costanti sulla cultura del personale operativo e di gestione.
“L’operatore o il caporeparto devono essere motivati e inseriti in una struttura che li spinga a reagire di fronte alla notifica o al parametro visualizzato, un passaggio di change management che le aziende tendono ancora a sottovalutare”, aggiunge Faccio.
Change management e maturità digitale nelle PMI
La transizione digitale all’interno delle organizzazioni non dipende soltanto dagli strumenti adottati, ma si scontra quotidianamente con la soggettività delle valutazioni interne e con la maturità gestionale delle strutture produttive.
Secondo Moira Morandi, Solution Consultant Manufacturing di Infor, la trasformazione digitale richiede un salto di qualità nella gestione aziendale, con regole chiare nella ripartizione dei ruoli.
“Nelle piccole e medie imprese è fondamentale stimolare la maturità del management per superare l’idea che si possa continuare a operare come quindici anni fa: il mercato ha cambiato velocità e richiede una chiara definizione dei confini e delle responsabilità nel trattamento del dato”, dice Morandi.
Su questi temi sono impegnati i centri di competenza, il cui compito è proprio quello di guidare l’organizzazione nel percorso di adozione delle tecnologie avanzate e nella costruzione delle competenze necessarie a trasformare questi investimenti in valore strategico per il business.
“Colpisce riscontrare come permangano ostacoli primari legati all’armonizzazione dei dati, all’integrazione tra MES ed ERP e alla necessità dell’intervento umano, gli stessi temi analizzati nei primi manuali dedicati all’Industry 4.0”, osserva Massimo Pulvirenti, Project Portfolio and Consulting Manager BI-REX.
Per Pulvirenti il valore sta dunque nell’affiancamento di competenze capaci di guidare la qualificazione dell’informazione e la strutturazione dei flussi gestionali sul campo.
Il (mancato) dialogo di filiera tra costruttori, fornitori software e aziende utenti
Sotto il profilo strettamente tecnologico la persistenza di barriere che ostacolano la raccolta e la comunicazione dei dati è figlia di una mancata collaborazione all’interno della filiera dell’automazione industriale.
Il produttore o l’azienda utente difficilmente possono raggiungere il risultato da soli se non coinvolgono fin dall’inizio chi la macchina l’ha progettata e costruita.
Questa mancata integrazione lungo la filiera trova un preciso corrispettivo all’interno dei confini aziendali. La separazione tra le diverse aree funzionali rappresenta una costante nelle valutazioni di chi implementa soluzioni informatiche nelle fabbriche.
I fornitori di software MES e APS continuano a osservare una forte separazione tra OT e IT, rileva Marco Farè, Chief Operating Officer di Tinexta Innovation Hub. “Senza una governance unitaria, anche i progetti di data lake perdono efficacia”, dice.
“La creazione di grandi bacini informativi non genera valore se manca un filo conduttore unico in grado di correlare i dati prodotti da soggetti e reparti che continuano a non comunicare tra loro”, precisa Farè.
L’esperienza applicativa delle aziende utilizzatrici offre un modello concreto per superare queste barriere, dimostrando come l’abbattimento dei silos richieda un’azione simultanea sull’infrastruttura informatica e sul capitale umano.
“Di fronte alla frammentazione tra le diverse funzioni aziendali occorre operare su due livelli distinti che devono avanzare con la stessa velocità: il layer tecnologico e quello delle competenze”, sottolinea Alberto Fedalto, IT manager di Volteco.
L’evoluzione delle architetture informatiche non produce infatti risultati durevoli se non viene metabolizzata dall’organizzazione. “Nella nostra realtà abbiamo sviluppato un middleware di fabbrica e un data lake aziendale capace di raccogliere le informazioni da tutti gli impianti per trasformarle sia in indicazioni operative a bordo macchina per gli operatori di linea, sia in report sintetici per il decision making aziendale”, dice Fedalto.
Il fattore determinante per l’efficacia del progetto ha riguardato la gestione preventiva delle risorse umane necessarie a sostenere la trasformazione.
“Per la prima volta abbiamo mappato le competenze indispensabili secondo la logica del ‘make or buy’, identificando quali risorse avessimo già in casa, quali dovessimo costruire e quali fosse necessario acquisire da partner esterni”, approfondisce Fedalto. “Sulla base di questa analisi abbiamo avviato percorsi di formazione incentrati sul cambio di processo e sull’approccio operativo, evitando che il disallineamento tra il livello tecnologico e quello culturale facesse riemergere prepotentemente i vecchi silos organizzativi a vanificare l’infrastruttura realizzata”.
Governare l’informazione prima dell’algoritmo: le condizioni per valorizzare l’AI
La diffusione delle tecnologie d’avanguardia e dei modelli generativi impone un rigore metodologico ancora più elevato nella fase di cattura e pulizia dell’informazione grezza.
“L’arrivo dell’intelligenza artificiale rischia di scavalcare la disciplina e la metodologia di raccolta del dato, creando l’illusione di poter interagire con la macchina senza una struttura definita”, avverte Filippo Boschi, Head of Consulting presso MADE – Competence Center Industria 4.0.
Secondo Boschi l’assenza di verifica sul dato d’origine compromette le decisioni strategiche: se le informazioni provenienti dallo shopfloor non sono certe e oggettive, gli algoritmi amplificano le distorsioni anziché generare i risparmi attesi. Diventa quindi centrale il ruolo delle persone chiamate a validare i flussi.
L’adozione di soluzioni tecnologiche guidata esclusivamente dagli incentivi ha mostrato limiti evidenti nell’operatività quotidiana delle linee. “Una quota consistente di investimenti nell’IoT è stata mossa unicamente dalle agevolazioni fiscali del piano Industria 4.0 senza una reale visione industriale sottostante, portando a progetti che non generano utilità reale per la fabbrica”, commenta Alessandro Casartelli, Presale Director, Derga Consulting.
La reale integrazione dell’algoritmo nella fabbrica richiede sforzi progettuali mirati e interfacce accessibili. “Sullo shopfloor servono interfacce semplici che aiutino gli operatori anziché appesantirli, mentre per l’intelligenza artificiale applicata ai dati specifici di impianto occorre comprendere che da un lato il valore ottenibile è enorme dall’altro si tratta di progetti complessi che richiedono algoritmi di machine learning addestrati ad hoc”, puntualizza Casartelli.
La corretta gestione dei progetti digitali impone una selezione preventiva delle metriche su cui concentrare le risorse. “L’errore commesso nella prima fase dell’Industry 4.0 è stato rincorrere il paradigma dei big data cercando di raccogliere qualsiasi parametro senza una finalità precisa”, ribadisce Faccio.
L’allineamento tra le esigenze di linea e la direzione aziendale rappresenta l’unico presupposto per un investimento sostenibile. “La convergenza tra le richieste ‘bottom-up’, che nascono dai bisogni degli operatori sullo shop floor, e la strategia ‘top-down’ definita dal management è indispensabile per ingegnerizzare il data model, selezionando esclusivamente le informazioni che producono valore economico ed evitando inutili costi di archiviazione”, conclude Faccio.
La rotta per il futuro: dall’accumulo di dati all’architettura delle decisioni
Dai dati della survey e dai temi sollevati dagli esperti emerge che la vera posta in gioco per i prossimi anni risiede nella capacità di strutturare un’infrastruttura coerente in grado di valorizzare gli investimenti già effettuati sul campo.
“La sfida dei prossimi anni sarà proprio passare da tante integrazioni puntuali a una vera e propria architettura del dato industriale”, osserva Balocco.
L’adozione di analytics e intelligenza artificiale non si pone quindi come un’alternativa ai sistemi gestionali o ai software di fabbrica già esistenti, ma come un ulteriore livello abilitante per contestualizzare i parametri di produzione e guidare i processi operativi.
Un percorso evolutivo che Balocco sintetizza in cinque direttrici fondamentali per la trasformazione digitale delle fabbriche. Il punto di partenza consiste nella capacità di connettere impianti e macchinari legacy caratterizzati da protocolli e linguaggi differenti. A questo primo step segue l’esigenza di integrare i sistemi di produzione (OT) con i gestionali aziendali (IT), affidando al MES il ruolo chiave di cerniera tra reparto produttivo e business. Tuttavia, la sola disponibilità del dato non basta: diventa indispensabile contestualizzarlo per evitare l’accumulo di informazioni grezze e prive di valore analitico, orientando il flusso informativo verso l’obiettivo di decidere, ossia colmare quell’ultimo miglio che separa la notifica dall’azione operativa o strategica. La fase finale risiede nella capacità di ottimizzare i processi, sfruttando le potenzialità di Analytics e Intelligenza Artificiale per guidare decisioni ad alto valore aggiunto.
“La vera scommessa dell’industrial data non è raccogliere sempre più dati, ma ridurre sempre di più la distanza tra la macchina che genera l’informazione e la persona che deve poi prendere una decisione di valore”, conclude Balocco.
