Yayım tarihi

Müşteri Odaklı Değeri En Üst Düzeye Çıkarmak

İşletmeler rekabetçi kalabilmek için müşteri odaklı bir yaklaşımı benimsemenin önemini giderek daha fazla anlıyor. Müşteriler artık kendi benzersiz tercihleriyle uyumlu kişiselleştirilmiş deneyimler ve ürünler ararken; bu sonuç işletmelerin farklı stratejileri bir arada kullanmasını zorunlu kılıyor.

Yalın metodolojilerin müşteri odaklı stratejilere entegrasyonu, işletmelere israfa neden olan uygulamaları ortadan kaldırma ve operasyonlarını optimize etme fırsatı sunar. İşletmeler, katma değeri olmayan faaliyetleri tanımlayarak ve ortadan kaldırarak süreçleri düzene sokabilir, maliyetleri azaltabilir ve verimliliği artırabilir. Değer akışı haritalaması ve tam zamanında üretim gibi yalın ilkeler, darboğazları, gereksiz işlemleri tanımlayıp ve aşırı envanterin ortadan kaldırmasına olanak tanır. Bu sonuç, işletmelerin kaynaklarını müşteri memnuniyetine doğrudan katkı sağlayan katma değerli faaliyetlere odaklamasına olanak tanır.

Esnekliği, uyarlanabilirliği ve iş birliğini teşvik etmesiyle bilinen çevik metodolojiler, değişen müşteri ihtiyaçlarına ve pazar dinamiklerine hızla yanıt verilmesini sağlar. Kısa geliştirme döngüleri ve sık müşteri geri bildirimi ile karakterize edilen yinelemeli geliştirme süreci, sürekli iyileştirmeyi baz alır ve müşteri odaklı çözümlerin sunulmasını sağlar. Çevik uygulamalar, ekipler arasında iş birliğini teşvik ederek daha hızlı karar vermeyi mümkün kılar ve müşteri gereksinimlerine yanıt verme yeteneğini geliştirir.

Müşteri ihtiyaçlarını anlamak, sürekli devam eden ve yinelenen bir süreçtir. Çünkü, müşterilerin beklentileri sürekli gelişir, yeni trendler ve tercihler ortaya çıkar. Pazarda lider kalmayı hedefleyen işletmeler, müşterilerle proaktif bir şekilde ilişki kurmalı, sürekli geri bildirim almalı ve sektördeki gelişmeleri yakından izlemelidir. Bu sayede müşteri ihtiyaçlarına uyum sağlayarak kendilerini müşteri karşısında güvenilir ortaklar olarak konumlandırabilir ve güçlü ilişkiler kurabilir. Bu sonuç, işletmelerin hedef kitlelerinde etki oluşturan, müşteri sadakatini güçlendiren ve pazarda kendilerini farklılaştıran çözümler sunmalarını sağlar.

Dijitalleşme, işletmelere müşteri davranışını anlamak ve beklentilerini kişiselleştirmek için benzeri görülmemiş fırsatlar sunar. Gelişmiş veri analitiği ve yapay zekâ teknolojileri, işletmelerin çok büyük miktarda müşteri verisini toplamasına, analiz etmesine ve bunlardan anlamlı iç görüler türetmesine olanak tanır. Bu paha biçilmez bilgiler, işletmelerin ürünlerini, hizmetlerini ve pazarlama kampanyalarını bireysel müşteri tercihlerini karşılayacak şekilde uyarlamasına yardımcı olur. Dijital teknolojiler aynı zamanda çeşitli dijital kanallarda sorunsuz müşteri etkileşimlerine olanak tanıyarak kişiselleştirilmiş önerileri, hedefe yönelik pazarlama kampanyalarını ve zahmetsizce müşteri deneyimlerini elde etmeyi kolaylaştırırır.

Müşteri odaklı değer oluşturmanın tüm potansiyelini ortaya çıkarmak için işletmelerin yalın, çevik ve dijitalleşme ilkelerini entegre etmesi gerekir. İşletmeler, yalın metodolojileri çevik uygulamalarla birleştirerek süreçlerini düzene sokabilir, operasyonel verimliliği optimize edebilir ve değişen müşteri beklentilerine proaktif olarak uyum sağlayabilir. Dijitalleşmenin entegrasyonu, birden çok dijital kanalda veri toplama, analiz, kişiselleştirme ve katılım için gerekli araçları sağlayarak güçlü bir kolaylaştırıcı görevi görür. Bu bütünleşik yaklaşım, işletmelere olağanüstü müşteri değeri sunma, uzun vadeli müşteri sadakatini artırma ve sürekli gelişen müşteri merkezli pazarda sürdürülebilir büyüme elde etme gücü verir.

Özetle, müşteri odaklı bir yaklaşımı benimsemek, günümüzün rekabetçi pazarında gelişmeyi hedefleyen işletmeler için olmazda olmaz unsurdur. İşletmeler, yalın metodolojileri, çevik ilkeleri ve dijitalleşme stratejilerini entegre ederek operasyonlarını optimize edebilir, müşteri ihtiyaçlarına etkin bir şekilde yanıt verebilir ve müşteri beklentilerini aşan kişiselleştirilmiş çözümler sunabilir. Bu bütünsel yaklaşım, müşteriyi iş stratejilerinin ve karar alma süreçlerinin merkezine yerleştirerek dijital çağda farklılaşmayı, müşteri sadakatini ve uzun vadeli başarıyı destekler. Yalın, çevik ve dijitalleştirme metodolojilerinin entegrasyonu, işletmelere müşteri merkezli pazarda üstünlük sağlamak ve değer oluşturma yeteneklerini en üst düzeye çıkarmak için güçlü bir çerçeve sağlar. Bu konu üzerine düşünün derim.

Yayım tarihi

Çevik Proje Yönetimi (Empirical Process Control)

Yazılımlar bizi kendi ağlarına doğru çekiyor. Hemen her yerde yazılım projelerindeki artış göze çarpıyor. Özellikle Kobiler tarafında dijitalleşme kapsamında ERP, MES ve PDM gibi yazılımlar süreçlere uyarlanmaya çalışılıyor. Ancak, birçok projede istenilen başarı seviyesi yakalanamıyor. Bu sonucun en temel nedenlerinin başında belki de bu tür yazılım uyarlama/geliştirme projelerinde geleneksel proje yönetim metotlarının (waterfall) kullanılıyor olması gelmektedir. Neden mi? Açıklayalım.

  • Geleneksel proje yönetimi yaklaşımları genellikle gereksinimlerdeki değişikliklere veya beklenmedik olaylara uyum sağlamayı zorlaştırabilecek katı planlar ve süreçlerle karakterize edilir. Planlama süreci, proje kapsamının net olduğu varsayımı düşüncesiyle başlangıçta yapılan öngörülere göre yapılır. Proje zaman çizelgeleri ve bütçeleri müşteri ihtiyaç ve beklentilerine göre önceliklendirilir. Ancak, birçok projede var olan belirsizlikler ve karmaşıklıkların hesaba katılmaması müşterinin ihtiyaçlarını karşılamayan veya öncelikleriyle uyumlu olmayan nihai bir ürün ortaya çıkarılmasına yol açabilir.
  • Geleneksel proje yönetimi yaklaşımları, paydaşlara proje ilerlemesi, riskler ve sorunlar hakkında yeterli görünürlük sağlamayabilir. Bu durum, paydaşların önemli sorunlar ortaya çıkmadan önce bilinçli kararlar vermelerini ve sorunları çözmelerini zorlaştırabilir.
  • Geleneksel proje yönetimi yaklaşımları ekip üyeleri ve paydaşlar arasındaki iş birliğine ve iletişime öncelik vermeyebilir. Bu durum, sessiz çalışmaya, iletişimsizliğe ve üretkenliğin azalmasına neden olabilir.
  • Geleneksel proje yönetimi sürekli geri bildirim ve öğrenmeye öncelik vermeyebilir. Bu durum iyileştirme ve yenilik için kaçırılmış fırsatlara yol açabilir.

Genel olarak, geleneksel proje yönetimi yaklaşımları günümüzün hızlı tempolu ve karmaşık iş ortamındaki projeler için pek uygun olmayabilir. İşbirliğini, müşteri odağını ve esnekliği sınırlayabilir, bu da proje başarısızlığı veya optimal olmayan (Market, Price, Technical) sonuçlar riskini artırabilir! 

Oysa, iş ortamındaki değişimin hızı hızla artıyor ve kuruluşların değişen piyasa koşullarına ve müşteri ihtiyaçlarına hızlı bir şekilde uyum sağlayabilmesi gerekiyor. Çevik metodolojiler, ekiplerin gereksinim ve önceliklerdeki değişikliklere hızlı bir şekilde yanıt vermesini sağlayarak kuruluşların rekabetçi kalmasını sağlar.

  • Müşteri Odaklılık: Çevik metodolojiler, nihai ürünün ihtiyaç ve beklentilerini karşılamak için geliştirme süreci boyunca müşteri iş birliğine ve katılımına öncelik verir. Müşteri odaklılık daha yüksek müşteri memnuniyetine ve daha iyi iş sonuçlarına yol açar.
  • Artan Verimlilik: Çevik metodolojiler, ekiplerin daha verimli çalışmasını ve müşterilere daha hızlı değer sunmasını sağlayan yinelemeli ve artımlı gelişimi (iterative and incremental) teşvik eder. Müşteriye her iterasyon (sprint) sonunda bir değerin (increment) gönderilmesi ve buradan gelen geri bildirime göre yeni iterasyon planının gereksinime göre yeniden ayarlanması (adaptasyon) hem müşteri memnuniyetine hem de kaynakların daha iyi kullanılmasına yol açar. Hatta bazı durumlarda, yeteri kadar iyi konseptinin yakalanması projenin beklentileri karşılayacak şekilde daha erken bitmesine bile neden olarak her iki taraf için hem zaman hem de maliyet avantajı sağlatabilir.
  • İyileştirilmiş Kalite: Çevik metodolojiler, daha güvenilir ve daha kaliteli ürünler üretilmesine etki eden sürekli test ve geri bildirimi vurgular.
  • Daha iyi Ekip İş birliği: Çevik metodolojiler ekip iş birliğini ve iletişimi teşvik ederek daha iyi ekip çalışmasına ve üretkenliğin artmasına yol açar. Bu işbirlikçi yaklaşım aynı zamanda bilgi paylaşımını ve yeniliği teşvik eder.
  • Artan Paydaş Katılımı: Çevik metodolojiler, paydaş katılımına ve iletişimine öncelik vererek ekip üyelerinin ve paydaşların proje ilerlemesi, sorunlar ve zorluklardan haberdar olmasını sağlar. Bu artan katılım, daha iyi karar verme ve daha başarılı projelere yol açar.

Çevik Proje Yönetimi, esnekliğe, iş birliğine ve hızlı yinelemeye öncelik veren bir dizi ürün geliştirme metodolojisi ve ilkesini ifade eder. Çevik yaklaşım, ekiplerin değişen gereksinimlere ve geri bildirimlere hızlı yanıt vermesine yardımcı olmak ve değeri zamanında ve verimli bir şekilde sunmak için tasarlanmıştır. Bir projeyi, tipik olarak bir ile dört hafta süren sprint adı verilen küçük, yinelemeli döngülere (iteration) ayırarak yönetmeyi içerir. Ekip, her sprint sonunda çalışan bir ürün (increment) sunmaya odaklanır ve paydaşlardan gelen geri bildirimlere dayanarak projeyi sürekli olarak yeniden değerlendirir ve ayarlar (Empirical Process Control: Iteration and Increment).

Waterfall, kapsamın net olduğu projeler için oldukça etkin bir yöntem iken Çevik yaklaşım, gereksinimlerin sürekli değiştiği veya belirsiz olduğu ve hız ve esnekliğin başarı için kritik olduğu projeler için en uygun yaklaşımdır. Günümüzde artık sadece yazılım projeleri değil üretim süreçlerindeki birçok projenin artık Agile metotlar üzerinden yürütülmesi gereken complicated ya da chaos domainde yer aldığını gözlemliyoruz. 

Yayım tarihi

Çevik Proje Yönetimi (Agile | SCRUM)

Rekabetçi olabilmek için pazarın beklentilerini herkesten önce algılayıp, talep oluşturan pazarlama stratejileri ile pazardaki boşluğu dolduracak ürün, hizmet ya da servisin hızlı bir şekilde geliştirilmesi gerekiyor. Müşteri gereksinimlerini tam olarak karşılayıp, tekrarlanabilir süreçlerden üzerinden hızlı yeni ürün geliştirme yetisini sürekli kılabilmek için, her ne kadar aynı prensipleri kullanmaya devam etsek de farklı metotları örenmemiz ve uygulamamız gerekiyor. Öngörülemezligin ve değişkenliğin hayli yüksek olduğu günümüz rekabet koşulları karşısında SCRUM, XP ve Kanban gibi çevik proje yönetimi yaklaşımları bu kapsamda oldukça etkili sonuçlar üretmektedir. 

SCRUM, gereksinimlerin sürekli değiştiği veya belirsiz olduğu, hız ve esnekliğin başarı için kritik olduğu projeler kullanılabilecek için en uygun yaklaşımlardan biridir. Bir projeyi, sprint adı verilen küçük, yinelemeli döngülere ayırarak, sürekli öğrenme döngüsü içinde gerçekleştirmeyi içerir (iterasyon and Adaptation). Proje ekibi, her sprint sonunda çalışan bir ürün sunmaya odaklanır (value) ve paydaşlardan gelen geri bildirimlere dayanarak projeyi sürekli olarak yeniden değerlendirerek bir sonraki adımı gereksinimlere göre yeniden düzenler. Buradaki ana tema, yinelemeli döngüleri ‘cross functional ve self-organized‘ekipler üzerinden yaparak sürekli öğrenmek ve öğrenileni uyarlayabilmektir. ‘Transparency, Inspection and Adaptation’ilkelerine vurgu yapan SCRUM konsepti yazılım endüstrisinden sonra üretim endüstrisinde de kullanılmaya başlamıştır. Yeni ürün geliştirme, ERP/MES/PDM projeleri sürecinde de artık bu yaklaşımın kullanıldığını gözlemliyoruz. Eskinin, önce kavramsal tasarım yapalım sonra uyarlama yaparız yaklaşımı artık yerini iterative and incremental konsepte doğru değişmektedir. Yeni dönem, proje yönetiminde SCRUM gibi farklı yaklaşımlar kullanmayı zorunlu hale getiriyor. Bu konu üzerine bir düşünün ve ekiplerimizi bu yönde geliştirin derim.

Yayım tarihi

Dijital Dönüşüm Yol Haritası

Üretim Endüstrisinde en çok tartışılan/konuşulan konuların başında ‘Dijital Dönüşüm Olgunluk Seviyesi’ ve ‘Dijitalleşme Süreci Yol haritası’ konuları geliyor. Bu iki sorunun basit ve yalın cevabını şu şekilde verebiliriz sanıyorum.

  • Level_1 IoT ready: Dijital Dönüşümün özünde ‘Akıl’ kavramı yani olaylar/süreçler arasında bağlantı ilişki kurabilme yeteneği yatar. Bunun, dijitalleşmedeki karşılığı IoT ready’dir (SIC: Sence, Interpret, Communication). Bu bağlamda OT ekipmanlarına IoT ready özelliği kazandırmak ilk iş olmalıdır.
  • Level_2 Digital Manufacturing: Üretimin gerçekleşebilesi için hem ekipman hem de iş süreçlerindeki verilere gereksinim vardır. İş süreçlerinin (domain) dijital ortama taşınması ve aralarına entegrasyon kurulması ikinci adım olarak gösterilebilir.
  • Level_3 Digital Factory: Fabrikanın dijitalleşmesi CPS dediğimiz, IT ve OT süreçlerinin dikey entegrasyonu üzerinden gerçekleşir. Tabi, bu aşamada cyber security, autonomous robots, additive manufacturing gibi diğer I4.0 teknolojileri de gündeme alınabilir. 
  • Level_4 Smart Factory: Fabrikanın akıllı hale gelmesi gerçekte bu aşamadan sonra başlar. Büyük verinin, karar verme süreçlerinde ne derce kullanıldığı akıl seviyesini belirler. Yapay Zekâ / Makine öğrenmesi üzerinden Akıllı Bakım, Akıllı Planlama, Akıllı Ürün Geliştirme gibi konseptler bu aşamanın en belirgin yetileridir.
  • Level_5 Smart Supply Chain: Dijital Dönüşümde şu an için varılacak son nokta şimdilik burasıdır. Tüm sürecin, diğer akıllı sistemler ile bağlantılı çalıştığı, süreçlerde akıllı ürünlerin üretildiği ve tüm tedarik zincirinin büyük veri üzerinden yürütüldüğü büyük dijital eko-sistemin parçası olabilmek…

Bu kriterlere göre işletmenizin hangi seviyede olduğu ya da nasıl bir yol izlemeniz gerektiğini belirleyebilirsiniz. Üzerine bir düşünün derim.

Yayım tarihi

Proje Bazlı Üretiminde Digital Mimari

Proje bazlı üretim endüstrisinde hemen hemen her sipariş/ürün özeldir. Müşteri siparişleri kısmi olarak MTO, ağırlıklı olarak ise ETO (Engineering to Order) konseptine göre karşılanırlar. 

Bu endüstrilerde, rekabette avantaj sağlayan en önemli unsur hız ve esnekliğin kombinasyonu olan çevikliktir. Çevikliğe ulaşabilmek için SCOR modeline dayalı iş süreçlerinin dijitalleştirilerek, süreçlerde üretilen bilginin ortak platform üzerinde saklanmasına/yönetilmesine olanak sağlamak gerekir. Bu sayede, etkin/efektif malzeme (material flow) ve nakit akışı (C2C: cash to cash cycle) sağlanabilir. Zira; etkin nakit akışı için etkin malzeme akışına, etkin malzeme akışı için de etkin bilgi akışına, etkin bilgi akışı için de etkin bilgi yönetim sistemine odaklanılması, bu endüstrilerde Dijital Dönüşümün esasını teşkil eder. 

Peki, bu bilgiler nerede üretiliyor ve kimler ne amaç kullanıyor? Bu sorunun cevabını üretimin temel dijital mimarisinde bulabiliriz.

  • CRM (Customer Relationship Management): Müşterinin derdinin anlaşılması, çözüm üretilmesi ve siparişin alınması bu sürecin temel bileşenleridir. Müşteri şikayetleri, satış/proje ekibi aktivite takibi ve performans yönetimi gibi konularda yine bu faz kapsamında düşünülebilir. Genel itibarı ile ‘fırsat – teklif – sipariş’ ara fazlarından oluşan CRM süreci oldukça önemli bilgileri barındırır. Zira, bir sonraki faz/ların (tasarım) ana girdileri bu aşamada üretilir. 
  • PDM (Product Data Management): Tasarım fazı, CRM den alınan bilgiler doğrultusunda müşteri gereksinimlerine karşılık verecek ürünün tasarlanması sürecidir. Tasarım sürecinden mekanik, elektrik tasarımları ve simülasyonları için CAX (CAD; CAM, CAE, CAPP) yazılımları kullanılır ve burada üretilen/türetilen veriler PDM üzerinde saklanır. PDM, hem ürün verilerinin yapısal olarak saklanması ve farklı fonksiyonlar tarafından kullanılmasına olanak sağlar, hem de mühendislik iş süreçlerinin tanımlanmış iş akışına göre yönetilmesine olanak sağlar.
  • ERP (Enterprise Resource Planning): ERP, işetmelerde Business Domain’i yöneten katmandır.  Stok ana verileri, ürün ağaçları, lojistik, cari kartlar ve finans/muhasebe gibi temel iş süreçlerinin yönetiminden sorumludur. Genelde malzeme ihtiyaç planlama (MRP), depo yönetimi (WMS), servis yönetimi (SM), kalite (QM) ve bakım yönetimi (PM) gibi temel modülleri de içinde barındırır. Ancak, ERP’in gereksinim duyduğu en temel bilgiler BOM (Bill of Materials) verisi içindedir. PDM (Product Domain) sürecinde üretilen BOM verilerinin (Ürün Ağacı: Malzeme ve Rota bilgisi) ERP’ye aktarılması bu aşamada düşünülmesi gereken en öncelikli konuların başındadır. Zira, BOM olmadan üretim planlaması, iş emri ataması, etkin malzeme tedariki ya da doğru maliyet hesaplamaların yapılabilmesi pek mümkün değildir.
  • MRP (Material Resource Planning): MRP, ürün ağacı (BOM) verilerini kullanarak satın alma ve üretim iş emirlerini türetmekten sorumludur. Ne satın alınacak ne zaman alınacak ve nerede/ne üretilecek gibi konuları MRP yönetir. MRP, verileri ERP den alır ve çıktılarını satın alma ve üretim bölümlerine iletir.
  • MES (Manufacturing Execution System): MES’in temelde üç ana fonksiyonu vardır: Planning, Execution and Monitoring. Bir başka ifadeyle; MRP üzerinden iş emirlerini almak, ilgili iş emirlerini ilgili üretim iş merkezlerine iletmek, üretim esnasındaki makine/operatör eylemlerini kayıt altına alarak iş merkezlerinin performansını sürekli takip etmek ve ERP ile gerçek zamanlı iletişim kurarak stok hareketlerinin gerçekleşmesini sağlamak olarak açıklanabilir. Tabi buna ilave olarak ilgili iş emirlerinin icra edilebilmesi için gerekli olan dokümanları (teknik resim, G-kod, kalite formları, vs.,) iletebilmek için de PDM ile iletişimde olması gerekir. 
  • WMS (Warehouse Management System): Depo yönetim sistemleri üretim dijital mimarisinin bir diğer önemli katmanıdır. Mal kabul sürecinden ürün izlenebilirliğine, depodan mal toplanmasından lojistik rota optimizasyonuna kadar olan birçok iş süreci WMS üzerinden gerçekleştirilir.
  • CS (Customer Service Management): Sevkiyat sonrası gerçekleştirilen kurulum, devreye alma ya da servis (müşteri sahasında gerçekleştirilen arızı bakım, planlı bakım, revizyon, vs.,) gibi iş süreçlerinin yönetimi burada yapılır.
  • PM (Project Management): Müşterinin siparişinden servise kadar olan tüm süreç aslında bir projenin ara fazlarıdır. Tasarım, tedarik, üretim ve sevkiyat süreçleri kaynaklarının iyi planlaması ve etkin takibi için bu katman da oldukça önemlidir. Ancak, bu katmanın gerçek zamanlı veriler üzerinden güncellenebilmesi için hem ERP hem de MES katmanları ile iletişimde olması gereklidir.

Özetle, artık bilgi yönetimine odaklanmadan iş süreçlerinin yönetimi neredeyse olanaksız. Bu kapsamda, SCOR modelini iyi anlamak, her fazın ihtiyacı olan yazılımları doğru seçmek ve ardından bu fazlaları birbiri ile konuşur duruma getirmek gerekiyor: Bu konu üzerine bir düşünün derim.

Yayım tarihi

IIoT Platforms | IIoT Engineers and Data Scientist

IIoT, endüstriyel üretim ve işletme süreçlerinde kullanılan cihazlar ve nesnelerin birbirleriyle bağlantılı olduğu ağı ifade eder. Fabrika ekipmanları, sensörler, veri toplama cihazları, robotlar ve diğer endüstriyel cihazlar IIoT ağına bağlanarak; veri toplama, analiz, izleme gibi işlemler yapılabilir. Bu sayede, endüstriyel işletmelerde verimlilik artırılabilir, üretim süreçleri optimize edilebilir ve bakım/kalitesizlik maliyetleri azaltılabilir.

IIoT platformları, endüstriyel IoT uygulamalarının geliştirilmesi ve yönetimi için özel olarak tasarlanmış yazılım sistemleridir. Bu platformlar, işletmelerin veri toplayan, analiz eden ve bu verilere dayalı eylemler gerçekleştiren bağlı sistemler oluşturmasına (Operations Technology) ve işletmesine yardımcı olan bir dizi araç ve hizmet sunarlar. 

  • Connectivity: IIoT platformları, akıllı nesnelerin internete bağlanmasını ve birbirleriyle iletişim kurmasına olanak sağlayarak, gerçek zamanlı veri toplama ve izleme imkânı sunar.
  • Data Management: IIoT platformları, çeşitli kaynaklardan gelen büyük veriyi yönetmek için merkezi bir sistem sağlar.
  • Analytics: IIoT platformları, verileri işlemek ve analiz etmek için sofistike analitik araçlar sunar (Machine Learning).
  • Security: IIoT platformları, verileri korumak ve akıllı istemlere yetkisiz erişimi önlemek için güçlü güvenlik önlemleri kullanır.
  • Inter-operability: IIoT platformları, farklı cihazlar, sensörler ve makinelerin uyumlu olarak birbirleri ile iletişime geçebilmesi için yazılım tabanlı entegrasyon olanakları sunar.
  • Customization: IIoT platformları, belirli bir endüstriyel operasyonun özel ihtiyaçlarını karşılamak için özelleştirilebilir, işletmelerin operasyonlarını optimize etmelerine yardımcı olan özel çözümler sunar.
  • Scalability: IIoT platformları işletmelerin ihtiyaçlarına ölçeklenebilir çözümler sunar.

Tüm bu özellikler IIoT platformlarını endüstriyel operasyonların yönetimi ve optimize edilmesi için önemli araçlar haline getirir. Gerçek zamanlı izleme, veri yönetimi ve sofistike analitik araçları üzerinden işletmelerin verimliliğini artırmalarına ve maliyetlerini azaltmalarına yardımcı olurlar.

Dijital Dönüşüm süreçleri yeni rolleri de beraberinde getiriyor. Gerek dönüşüm kurgusunu yapmak ve IIOT platformlar üzerinden sistem kurmak gerekse kurulan sistem üzerinden süreçleri yönetebilmek için işletmelerin bünyelerinde hem IIOT Mühendislerine hem de Veri Bilimcilere yer açmaları gerekiyor. IoT Mühendisleri ve Veri Bilimcileri (Data Scientist), IIoT sistemlerinin ve uygulamalarının geliştirilmesinde ve uygulanmasında önemli rol oynarlar, ancak farklı uzmanlık ve sorumluluk alanlarına sahiptirler.

IoT mühendisleri, IoT sistemlerini ve uygulamalarını tasarlamaktan ve geliştirmekten sorumludur. Veri toplayabilen, analiz edebilen ve bu verilere dayalı eylemler gerçekleştirebilen bağlı sistemler oluşturmak için çeşitli donanım ve yazılım bileşenleriyle çalışırlar. Ayrıca, daha gelişmiş veri analizi ve karar verme yetenekleri sağlamak için IoT cihazlarını bulut platformları ve veri analizi araçları gibi diğer dijital sistemlerle entegre etmeye çalışırlar. Rollerinde etkili olabilmeleri için çok çeşitli becerilere ihtiyaçları vardır. Sensörler, gömülü sistemler, bulut bilişim ve veri analitiği dahil olmak üzere IoT sistemlerine güç sağlayan temel teknolojiler, C / C ++, Python, JavaScript gibi programlama dilleri; TCP / IP, MQTT, CoAP ve HTTP gibi ağ protokollerinin yanı sıra Wi-Fi, Bluetooth ve LoRaWAN gibi kablosuz iletişim ve IoT sistemlerinin güvenliğini sağlamak için güvenlik protokolleri hakkında kapsamlı bilgiye sahip olmalıdır.

Veri Bilimcileri ise veri analizi ve modellemesi konusunda uzmanlaşmıştır. Veri kümelerinden iç görü ve bilgi elde etmek için istatistiksel analiz, makine öğrenimi ve diğer teknikleri kullanırlar. İşletmelerin daha iyi kararlar almasına ve yeniliği yönlendirmesine yardımcı olabilecek verilerdeki kalıpları, eğilimleri ve ilişkileri belirlemeye çalışırlar.

IoT mühendisleri IIOT platformları üzerinden sistem geliştirmenin teknik yönlerine odaklanırken, veri bilimcileri bu sistemler tarafından üretilen verilerin analizine ve yorumlanmasına odaklanır. IoT sistemlerinin doğru verileri topladığından, verilerin etkin bir şekilde analiz edildiğinden ve bu verilerden elde edilen içg örülerin iş değerini artırmak için kullanıldığından emin olmak için birlikte çalışırlar.

Hem IoT mühendisleri hem de Veri Bilimcileri, IoT sistemlerinin ve uygulamalarının geliştirilmesinde ve uygulanmasında kritik roller alırlar. Birlikte çalışarak, işletmelerin inovasyon yeteneğini, verimliliği ve rekabet avantajını artırmak için IoT teknolojilerinin tüm potansiyelinden yararlanabilmelerini sağlayabilirler. Dijital Dönüşüm sürecinizden etkin sonuçlar alabilmek için bu konular üzerine düşünün derim.

Yayım tarihi

Design | Modüler – Standart – Parametrik- Monolitik

Çevik Ürün Geliştirme Süreci, değişen piyasa koşullarına, müşteri ihtiyaçlarına ve teknolojik gelişmelere hızlı ve etkili bir şekilde yanıt verebilme yeteneği olarak tanımlanabilir. Esneklik ve hızın kombinasyonu olan Çevikliğin ana teması müşteri beklentilerine uygun, yüksek kalite ürünlerin hızlı bir şekilde geliştirilmesi, üretilmesi ve müşteri ile buluşturulmasıdır.

Ürün geliştirme sürecindeki en önemli aşamalardan biri tasarım (design) fazıdır. Daha önce çözülmemiş bir sorunu çözmek veya çözülmüş bir soruna farklı bir bakış açısıyla alternatif bir çözüm üretmek olarak tanımlanan Tasarım fazının etkinliği, ürünün başarılı olmasında kritik öneme sahiptir. Bu fazda yapılan hatalar süreci yavaşlatır, maliyetleri artırır ve kaliteyi düşürerek çevikliği olumsuz yönde etkiler.

Bu süreci iyi yönetmek için müşteri ihtiyaçlarını çok iyi anlamak (Underfitting & Over Engineering), eş-zamanlı mühendislik uygulamalarına yönelmek, üretilebilirlik/tedarik edilebilirlik gibi konularına odaklanmak gereklidir. Ancak, en az bunlar kadar önemli ve her tasarım mühendisinin dikkat etmesi gereken Tasarım Teknikleri konusu da oldukça önemlidir.

  • Modüler tasarım, bir ürünün daha küçük, kendi kendine yeten parçalara veya modüllere ayrıldığı bir tasarım felsefesi ve sürecidir. Her modül belirli bir işlevi yerine getirir ve daha büyük bir sistem oluşturmak için diğer modüllerle kolayca birleştirilebilir. Bu yaklaşım, ürün geliştirme ve üretimde daha fazla esneklik, ölçeklenebilirlik ve maliyet etkinliği sağlar.
  • Standart tasarım, belirlenmiş normlara, standartlara veya şartnamelere uyan bir tasarımı ifade eder. Yaygın olarak benimsenen ve belirli bir ürün, endüstri veya alan için tipik kabul edilen bir tasarımdır. Standart tasarımlar genellikle en iyi uygulamalara, güvenlik düzenlemelerine ve endüstrinin birikmiş bilgi ve deneyimine dayanır. Ürünlerin tutarlılığını, uyumluluğunu ve güvenilirliğini sağlamaya yardımcı olurken, aynı zamanda üretimi basitleştirir ve maliyetleri düşürür.
  • Parametrik tasarım, bir nesnenin şeklinin ve davranışının sabit geometri yerine bir dizi parametre veya değişkenle tanımlandığı bir tasarım yaklaşımıdır. Bu, tasarımcıların tüm tasarımı yeniden çizmek yerine parametreleri değiştirerek farklı tasarım seçeneklerini hızlı ve kolay bir şekilde değiştirmelerine ve keşfetmelerine olanak tanır. Parametrik tasarım süreci daha verimli, esnek ve özelleştirilebilir tasarımlarla sonuçlanır.
  • Monolitik tasarım, bir ürünün veya sistemin birden fazla bileşen veya modül yerine tek, entegre bir parçadan oluştuğu bir tasarım yaklaşımını ifade eder. Bu tür bir tasarımda, tüm işlevler ayrı parçalara bölünmek yerine tek bir varlık içinde bulunur. Monolitik tasarım, üretim sürecini basitleştirebilir ve montaj süresini kısaltabilir; ancak aynı zamanda daha az esnek, daha az ölçeklenebilir ve potansiyel olarak daha karmaşık bir tasarımla sonuçlanabilir. Monolitik tasarım tipik olarak daha küçük ve daha basit ürünler için kullanılır, ancak daha karmaşık sistemler için modüler bir tasarım yaklaşımı daha uygun olabilir.

Tasarım ekiplerinizin bu konulara da odaklanmasını sağlayın derim.

Yayım tarihi

Digital Transformation | Where to Start?

Dijital Dönüşüm tek bir hamle ile gerçekleşmez. Önce süreçleri birer birer dijitalleştirmek, akabinde dijitalleşen süreçleri birbirlerine entegre etmek gerekiyor. IT ve OT sistemlerinin entegrasyonunu üzerinden elde edilen CPS için bu kurguyu izlemek yarar sağlıyor.

Bu aşamada akıllara şu soru geliyor: Süreçleri dijitalleştirmeye nereden başlamak gerekiyor? 

Bunu şöyle açıklayalım. Teknik olarak dört farklı üretim yöntemi mevcuttur ve her birinin karakteristiği birbirinden farklıdır.

  • Sürekli üretimde (Continuous Manufacturing) öncelik pahalı ekipmanlarda duruş olmamasıdır. ‘Smart Predictive Maintenance’ konusundan başlanılması doğru olacaktır (OT: Connectivity Layer + IIoT + BDA + MES).  Cam, Seramik, Demir-Çelilk, PetroKimya..
  • Proses endüstrisinde (Process Industry) öncelik proses yeterliliği ve ürün kalitesidir. ‘Process and Quality Optimization’ konusuna odaklanılması gerekir (OT: Connectivity Layer + IIoT + BDA + MES).  İlaç, Boya, Çimento, vs.
  • Kesikli üretimde (Discrete Manufacturing) malzeme ve üretim planlama süreçlerinde mükemmellik birinci önceliktir. ‘Integrated Planning and Scheduling’ konusu çözülmeden sağlıklı ilerleme yapılabilmesi pek kolay değildir (IT: ERP + MES + Connectivity Layer + IIoT + BDA). Otomotiv, Beyaz Eşya yan sanayi, vs.
  • Atölye ya da proje bazlı  (Job-Shop) yapılarda ise öncelik hızlı ürün geliştirebilmektir. ‘Smart, Product Development’ konusuna odaklanmak bu aşamada daha doğru olacakır (IT: CAD/PDM + ERP + MES).  Gemi, Makine endüstrisi, vs.

Dijital Dönüşüme başlamadan önce  Üretim Yönteminiz ve öncelikleriniz üzerine düşünün derim.

Yayım tarihi

From Captain’s Logbook to Data Management

Bu sene içinde yaptığım çalışmalar, gözlemler ve katıldığım paneller sonucunda; Üretim Endüstrisinde Dijitalleşme anlamında oldukça olumlu gelişmeler gözlemlediğimi belirtebilirim. Daha önceleri, Dijitalleşme anlamında ne yapılacağı konusunda oldukça büyük sorunları/bilgi açığı olan imalat endüstrisinin; artık bu fazı geçip, ne yapılacağına değil nasıl yapılacağına odaklanmaya başladığı görülüyor. Bu tespitimi destekleyen en önemli konuların başında ise Veri Yönetimi ve Entegrasyonu konusunda yapılan yoğun çalışmalar olduğunu söyleyebilirim.

İşletmeler artık veri yönetiminin ‘Kaptanın Seyir Defteri’ konsepti ile yürütülemeyeceğinin farkına vardırlar. Akıllı nesneler/sistemlerde üretilen verilerin (IoT); iletilebilir/paylaşılabilir (CPS & Cloud), saklanabilir (Big Data: Database) ve işlenebilir (AI/ML) olmasının ne denli üstün ateş gücü sağladığını birçok yerde görmekteyiz.

Zamanımızın petrolü veri, elektriği ise AI; buna kuşku yok. Yeni yılda da birçok işletmede veri yönetimi üzerine çok daha kapsamlı çalışmalar yapılacağı aşikâr. PDM-ERP-MES üzerinden elde edilen ITentegrasyonunun giderek NORM haline geleceğini, IT / OT entegrasyonu üzerinden elde edilen CPS’in (Akılı Fabrikaların) üretimin yeni standardı olacağını ve burada üretilen veriler üzerinden anlamlı sonuçlar çıkarabilmenin (ML-Ops) en büyük fırsat olacağını söylemek sanırım yanlış olmaz. Dünya Sınıfı Üreticiler öncelikle standarda, yani Yalın/Çevik prensipleri uygulamaya odaklandılar; akabinde standardın üzerine teknolojiyi bindirdiler ve onları izleyenler de bu kurguya göre hareket ediyorlar. Zira, dijitalleşme ya da dijital dönüşümü standartlar üzerine teknolojinin bindirilmesi olarak da tanımlayabiliriz.

Özetle, yeni yılda da ana temamız Dijitalleşme olacak: Süreçleri dijitalleştirmek ve dijitalleşen süreçleri birbirine entegre ederek dijital eko-sistemin parçası olabilmek. Unutmayın; bilmek değil kullanmak fark oluşturur. Bunun üzerine bir düşünün derim. 

Hepinize, sevdiklerinizle birlikte geçireceğiniz mutlu ve sağlıklı bir yıl dilerim.

Yayım tarihi

Akıllı Fabrikalar | Dijital Dönüşüm Stratejileri

Akıllı fabrikaların temelinde “bağlantı (connectivity)”, çıktısında “anlamlı veri” yatar. Temel amacı; işletmelerin karar verme ve adaptasyon sürecini hızlandırmaktır. Dijital olarak gerçekleşen bu devrimde ana tema dijitalleşmenin çok ötesinde ‘iş metodu ve kültürel anlamda’ dönüşümdür.

Akıllı fabrikaların en önemli getirisinin etki/tepki zamanını kısaltmak olduğunu söylemek sanırım yanlış olmaz. Algı – Analiz – Karar verme – Aksiyona geçme sürecini hızlandırarak, doğru kararların – hızlı bir şekilde alınmasına katkı sağlaması Akıllı Fabrikadan en önemli beklentidir. Bu durum işletmelerin çevik olmasını sağlar. Bu amaç doğrultusunda: Bilgi (Information), bağlantı (Connected network), uçtan uca veri işleme (End to End data processing), talep odaklı üretim (on demand manufacturing) ve adaptasyon (adaptation) prensiplerine vurgu yapar.

Dijital Dönüşüm sürecinin başarıya ulaşabilmesi için beş temel gereksinime ihtiyaç vardır.

  • STRATEJI: Masallarda bile işlenen “Nereye gideceğini bilmiyorsan, hangi yolu seçtiğinin önemi yok (Alice harikalar diyarında)”, ibaresi Strateji’nin önemini oldukça iyi anlatıyor. Stratejik planlama olmadan asla yola çıkmayın. Büyüme – Pazarlama – Üretim stratejileri.
  • YALIN: Ne yaparsanız yapın kayıplar her daim olacaktır. Kayıplar ile mücadeleden ödün vermemek için değer ve akışa odaklanın. Malzeme ve Bilginin kesintisiz akmasını sağlayın.
  • ÇEVİK: Günümüz işletmelerinin en önemli rekabet aracı değişime uyum sağlayabilme yeteneğidir. İnsana ve sistem yatırım yapın, stratejik iş birlikleri kurun, uzmanlığınıza odaklanın. Çevikliği esneklik ile karıştırmayın. Esneklik süreç ve ekipman boyutunu; çeviklik insan ve sistem boyutunu irdeler.
  • DİJİTALLEŞME: İşletme yönetimi, fırtınalı havada ge- mi yönetmeye benzer. Doğru ve hızlı kararlar alabil- meniz için birçok yerden gelen veriyi değerlendirmenize gereksinim vardır. İşlenmemiş veri ham petrol gibidir – bir işe yaramaz. Dijitalleşmeye küçük adımlar ile başlayın.
  • YÖNETİM: İşte işin en can alıcı kısmı. YÖNETİM 4.0 olmadan, Endüstri 4.0 dönüşümü gerçekleşemez. Yöneticilerinizi (karar vericiler) süreçlere çekin ve değişimin gerekliliğine ikna edin. Yönetimin desteği ve kararlığını almadan yola çıkarsanız – yolda kalırsınız.
Yayım tarihi

Stratejik Planlama

Araştırma sonuçları, Kobilerin dijital dönüşüm sürecinde başarısızlığa uğramaması için stratejik planlama sürecinin etkinliğinin önemine vurgu yapmaktadır. Stratejik planlama sürecinde yapılan hatalar, planların sapmasına ve sonuçların beklenen dışına çıkmasına sebep olmaktadır. Franklin (B)’in dediği gibi, ‘If you fail to plan, you are planning to fail’.

Bu aşamada şu soruya cevap aranması gerekir kanısındayım: Stratejik Planlama sürecinde neden hata yapıyoruz? Bu soruya farklı birçok cevap verilebilir ve hatta doğru cevap tüm cevapların bir bileşkesi de olabilir. Ancak, cevapların en üstüne ‘BİLGİ’ konusunun yerleşmesi sanıyorum ki yanlış olmaz. Zira, bilgi olmadan ihtiyaçları tanımlayabilmek; ihtiyaçları tanımlamadan da doğru bir planlama yapabilmek pek olası görünmemektedir.

Bilgi konusuna iki aşamalı bakabiliriz: Core Skills (alan/süreç bilgisi), 2) Tool Skills (araç bilgisi). Her ikisi de önemli ancak, karar vericiler olarak önceliğinizi Core Skills üzerine verin derim. Önce, ihtiyacınızı doğru tanımlayabilecek düzeye gelin (ne yapılacak), akabinde Tool Skill (nasıl yapılacak) yetkinliği iyi olan çözüm ortakları ile sürece başlayın derim.

Ek: Araştırma Sonuçları;

Kobilerin dijital dönüşüm sürecine başlayamamasının ana nedenleri olarak,

  • Dijital teknolojiler ve faydaları hakkında bilgi eksikliği, 
  • Bilgi teknolojileri alt yapısı ve iş süreç standartlarında eksiklik, 
  • Bütçe kısıtları,
  • Bilgi güvenliği risklerini göstermektedir. 

Benzer şekilde dönüşüm sürecinin başarılı olamamasının ana nedenleri olarak ise,

  • Strateji geliştirme eksiklikleri ve sistematik bir yol haritasının olmaması, 
  • Standartlaştırma ve basitleştirme işlemleri olmadan kompleks sistemlerin dijitalleştirilmeye çalışılması, 
  • Dönüşüm sürecinde yer alacak yetkin iş gücü eksiklikleri gibi etkenleri göstermektedir. 
Yayım tarihi

Stratejik Planlama: İnovasyon’ ve ‘Benzersiz Ürün’

Teknolojik gelişim hem ürünleri hem de üreticileri değişime zorluyor. Ya değişeceğiz ya da müşteri tarafından değiştirileceğiz. Bir başka seçenek maalesef yok! İmalat, önceleri kısmen kolaydı; üreticiler koşulları belirler, tüketici üretilene rıza gösterirdi. Ürünü oluşturan bileşenler (Ürün ağacı: BoM) genelde mekanik, kısmen de elektrik parçalardan oluşur; Tedarik Zincirinde fiziksel malzeme akışına önem verirdik (conventional supply chain).

Peki şimdi durum nasıl? Ürün ağacı hala fiziksel bileşenlerden mi oluşuyor?

Artık ürünler ‘akıllı’; yani algılıyor, yorumluyor ve iletişime geçiyor. Ürün ağacında ‘artık sanal bileşenler de mevcut ve ürünün değerini ağırlıklı olarak bu sanal bileşenler oluşturuyor. Yeni dönemde ‘sanal bileşenler tedarik zincirinin’ nasıl yönetileceğini de düşünmek gerekiyor. Ürüne fonksiyon tanımlama, ürün güncelleme ya da ürün yaşam sürecini takip etme…Ürünün artık bir servise dönüşmesi (PaaS: Product as a Service) bunu zorunlu kılıyor. Bu kapsamda akıllı fabrika, akıllı ürün ve bu süreçleri yönetecek yetkin iş gücünün nasıl elde edileceği üzerine stratejiler geliştirmek gerekiyor. Zira, Strateji olmadan yeni dönemde rekabet edebilmek, şansı planlayabilmek oldukça zor görünüyor.

Yönetim biliminde strateji, “bir organizasyonun amacına ulaşmak için izleyeceği yollar” olarak tanımlanır. Stratejik planlama ise bir organizasyonun ne olduğunu ne yaptığını ve neden yaptığını şekillendiren ve ona bu konularda kılavuzluk yapan temel kararları, eylemleri geleceğe odaklı olarak üreten bir yönetim aracıdır. Bir başka ifadeyle bir işletmenin hedeflerine ulaşabilmesi için gereken eylemleri planlandığı, beklenen/istenen yere nasıl ulaşılacağının net olarak tanımlandığı ve belirlendiği süreçtir.

Bu süreç her daim mutlaka yapılır. Önce siz yaparsınız – sonuçlar iyi olursa yine siz, olmazsa patron bir başkasına bu süreci mutlaka yaptırır. Çünkü, hissedarların tek beklentisi vardır. Kârlı olmak ve bunu sürdürülebilir kılmak. Bu sonuca nasıl ulaşılacağıysa tamamen profesyonellerin işidir ve profesyonellerin elindeki yegâne silah da stratejik yönetim ve planlama sürecidir.

Stratejik planlama sürecinde PESTEL (Global Scale), Porter-5 Forces (Industry Scale), SWOTanalizi (Company Scale) gibi araçlardan faydalanılır. Her bir araç farklı açıdan süreci irdeler ve işletmenin daha rekabetçi olabilmesi için önemli ip uçları sunar. 

Küresel ölçekli işletmelerin geneline baktığımızda Stratejik Planlama sürecinin temek çıktılarının ‘İnovasyon’ve ‘Benzersiz Ürün’ yaparak maksimum müşteri sadakati elde etmek olduğunu görüyoruz. Ölçek ekonomisine değil, kapsam ekonomisine odaklanıyorlar ve sayede hem pazara yeni oyuncuların girmesini zorlaştırıyor hem de mevcut rakipleri ile aralarındaki mesafeyi koruyarak pazardan aldıkları payı artırıyorlar. Marketing ve Product Development ana odak unsurları olmak üzere İnsan, teknoloji ve süreçlere yatırım yapıyorlar.

Stratejik Planlama ve burada bahsi geçen iki konu üzerine düşünün derim.

Yayım tarihi

Dijital Dönüşüm | öğrenen ve öğreten organizasyon olabilmek

Dijital çağ hem ürünleri hem de üretim yöntemlerini temellerinden değiştiriyor.

  • Ürün tarafında, ürünün fiziksel bileşenleri/özellikleri pazarda rekabet için artık tek başına yeterli olmuyor. Ürünlerin aynı zamanda ‘algılama, yorumlama ve iletişime geçebilme (SIC)’ özelliklerine de sahip olmaları gerekiyor. Ürünlerin akıllı olması, üreticilerin ürün ile ürün yaşam süreci boyunca (PLC)iletişimde kalmasına ve ürünün artık bir servise dönüşmesine sebep oluyor (PaaS: Product as a Service). 
  • Üretim yöntemleri de bu süreçten nasibini alıyor. Artık devasa atölyeler, klasik üretim anlayışı ve eskinin organizasyonları ile bırakın akıllı ürün yapabilmeyi; konvansiyonel ürünleri bile rekabetçi seviyede üretebilmek oldukça zor görünüyor. Dijital çağ, sonuna kadar teknolojiye endeksli akıllı ürünler ve akıllı üretim sistemleri gerektiriyor. Artık, akıl (smart) olmadan (akıllı ürün, akıllı fabrika) yeni dönemde rekabet edebilmek pek olası görünmüyor. 

I4.0 teknolojileri her iki konu için de elverişli çözümler sunuyor, eğer ki akıllı ürünleri ve akıllı sistemleri tasarlayacak, işlevsel halde tutacak kadrolarınız var ise…

Belki de dijital dönüşüm sürecine başlamadan önce üzerine ilk düşünülmesi gereken konu bu olmalı gibime geliyor: Yetkin, becerikli, öğrenen/öğreten insanlar yetiştiren ve çalışanlarını fabrika vatandaşı yapan kurumsal İK politikalarına sahip olmak. Zira, teknolojik gelişimin exponansiyel olması, deneyim/tecrübe kriterlerinin yerini hızlı öğrenebilme, adapte olabilme ve uyarlayabilme yetisine bırakıyor (agility). Dijital çağda rekabet, yetkinlikte üst seviyelerde olmayı gerektiriyor.

Bu seviyeler elbette ki kolay ve hemen varılabilecek yerler değildir, ancak yola hemen çıkmak gerekiyor. Zira, yola çıkıp varamayan; yoldan çıkıp da varabilen yoktur (T. Emre). Bunun üzerine bir düşünün derim.

Yayım tarihi

Kaizen | Standardı Yakalamak vs Standardı Geliştirmek

Literatürde problemin tanımı; ‘standardaki sapma’ olarak yapılır. Yani, beklenen sonuç ile gerçekleşen arasında fark var ise bu durum bir problem olarak görülür. O nedenle, süreç standardının bilinmesi KAIZEN felsefesinin esasını teşkil eder. Ohno’nun dediği gibi, “standardın olmadığı yerde Kaizen yapılamaz”.

Peki, bu konu neden önemli? 

Geçenlerde bir müşterimde oldukça güzel bir iyileştirme çalışması (kaizen) yaptık. Çok sık talep gören bir ürün ailesinin tasarımını, müşteri isteklerine/beklentilerine göre konfigure edilebilecek şekilde parametrik olarak yeniden tasarladık (parametric design). Bu sayede, müşteri isteği ne olursa olsun standart ve modüler parçalar üzerinden, yeniden tasarım yapmaya gerek kalmadan müşteri siparişini en hızlı yoldan karşılamayı amaçladık; başarılı da olduk. Malzeme çeşitliliği azaldı, yeniden tasarım süresi ortadan kalktı, üretimde standartlaşma yakalandı, maliyetler düştü, vs.,

Yapılan kaizenin sonucu oldukça etkili olsa da gerçekte GEÇ KALINMIŞ bir kaizendi! Çalışma güzeldi ancak hiç bilinmeyen bir uygulama değildi ve yeni bir şey bulmamıştık. Amacımız, literatürde yazdığı ve pek çok yerde uygulandığı gibi olması gerekeni, yani ‘standardı yapmaya/yakalamaya’ çalışmaktı (modular design and postponement). 

Yaptığımız iş elbette ki gereksiz değildi. Ancak buradan şu dersi çıkarmalıydık: Standardı, yani olması gerekeni neden ilk aşamada elde edememiştik ve bunca süre standardın altında çalışmıştık? Bir başka ifadeyle, tasarlanan yeni kurgu ürün tasarım sürecinin en başında ve çok daha önceleri bu şekilde olmalıydı.

İşte asıl mesele burada sanıyorum; ilk seferde doğruyu/standardı elde edebilmek. Bunun için özellikle ürün geliştirme sürecinde “yavaş yavaş acele ederek, sürecin başında standardı yakalamak’ gerekiyor. Ürün geliştirme sürecinin kurumsal standartlarını tanımlamak (Cooper’s model, DFMA, vs.,) ve herkesin tanımlanan standartlar (design handbook) doğrultusunda iş yapmasını sağlamak üzerine bir düşünün derim.

Yayım tarihi

The Noise Effect in Agility

Öngörülemeyen değişime hızlı adapte olabilme yeteneği olarak tanımlanan çeviklik konsepti giderek daha da önemli hale geliyor. Çevik olabilmek için etkin bilgi yönetim sistemlerine, süreçler arası entegrasyona, yetkin iş gücüne sahip olmak  ve belki de en az bunlar kadar önemlisi uzmanlığa odaklanmak gerekiyor. Bu bileşenlerin bir arada olmaması süreç içinde gürültü (noise) oluşturuyor ve bu gürültü işletmeleri hantallaştırıyor, verimli olmaktan uzaklaştırıyor, rekabetçi olmalarını engelliyor. 

Peki bu gürültü nasıl engellenebilir?

Her iş sürecini işletme bünyesinde yapmak ya da yapabilme kabiliyeti özgüveniyle her ürünü tasarlayıp/üretmeye çalışmak, günümüz işletmelerinin yaptıkları hataların başında geliyor. İşletmeler öncelikle şu soruca cevap vermelidir: Müşteri bize neden para ödüyor? Ürünün fonksiyonuna mı yoksa mekanik aksamına mı? Metali kesmek, eğip/bükmek ya da kaynak yapmak artık sıradan bir iş; herkes bunu yapabiliyor. Oysa; tasarım kabiliyeti, yani ne kesilecek, nasıl kesilecek konusu ise uzmanlık gerektirir. Eğer bir fason üretici değilseniz, uzmanlığınız tasarım yeteneği olması gerekir. Bu bağlamda uzmanı olmadığınız/olması gerekmediğiniz iş süreçlerinizi başkalarına yaptırın. Son montaja kadar olan tüm süreçler teknik olarak başkalarına yaptırılabilir. Örneğin; metali kitle olarak alıp – kesmek yerine, kesilmiş halde ve ihtiyacınız kadar alın; talaşlı imalat tezgahlarına yatırım yapmak yerine, aslı işi/uzmanlığı bu olan uygun tedarikçiler ile stratejik iş birliği yapın ve ana işinize- tasarıma odaklanın. Tedarik zinciri yönetimi fonksiyonlarının asli işlevlerinden biri bu değil midir, “strategic source management!”. Bunu, imalat süreçleri açısından ‘uzmanlığa odaklanma’ olarak bir not alalım…

Bir diğer önemli konu ise portfolyö yönetimidir. Ürün gamını gereksiz yere artırmak (yatay büyüme), işletmenin ana konusu dışında farklı projeleri kabul etmek bir diğer büyük sorundur. Uzmanı olmadığınız işlere, sırf tasarım yeteneğinizin olmasından dolayı giriyor olmanız işletmeye pek fayda getirmez. Belki anlık ciro yaparsınız ancak uzun vadede getiri pek olmaz. Literatürde “İşletmeyi, uzmanlık alanları dışına yeni ve bilinmeyen pazarlara ve teknolojilere taşıyan geliştirme projelerinin, daha yüksek başarısızlık oranlarına yol açtığı konusunda geniş bir konsensüs vardır (Cooper’s). Asansör de yük taşır, forklift de! Ancak, her ikisi de farklı uzmanlık konularıdır. Bunu da, tasarım süreçleri açısından ‘uzmanlığa odaklanma’ olarak bir not alalım…

Bu aşamada devreye portfolyö yönetimi konusu girmektedir. Portfolyö yönetimine en güzel örneklerden biri hazır giyim sektörüdür. Elbise bedenleri 48 – 50 – 52 şeklinde gider. Bedenler tanımlanmıştır ve müşteriye en uygun olan beden denenerek verilir. Eğer müşteri illaki tam bedenine uyan bir elbise isterse, o zaman terziye gitmesi ve bunun da bedelini ödemesi gerekir. Tasarım süreçlerinde yapılan yanlışlardan biri de budur. Tam ölçülere uymak için her defasında aynı ürünü yeniden tasarlamak, yeniden üretmek… Oysa, müşteri isteklerinin 60-70% sinin daha önceden belirlenmiş ölçüler dahilinde çözülebilmektedir. Burası işin standardizasyon tarafıdır. 

Bu işin bir de modüler hale getirilmesi konusu vardır.  Tasarımın aynen lego gibi alt modüllerden oluşması ve nihai ürünün yeniden tasarlanmaya gerek olmadan, mevcut modüller üzerinden elde edilebilmesi gerekir. Bunu başaran işletmeler, siparişlerinin büyük oranını tasarım sürecini es geçerek ve daha önceden tanımlanmış modülleri tedarikçilerinden satın alarak gerçekleştiriyorlar. Bu konsept hem hıza hem de maliyetlere olumlu etki ediyor. Bir düşünün; işletme içinde modüller SM’si var ve siz aldığınız siparişi, bu SM’lerden temin ettiğiniz modüller üzerinden hızlıca yapıyor, ürünü hızlıca sevk ediyorsunuz. Buna literatürde ‘postponement’ stratejisi deniliyor. Bizde de çokça örneği var…

Çeviklikteki önemli kurallardan biri: “bir şeyi yapabiliyor olmak, onu yapmayı gerektirmez!”. Hem tasarım da hem de imalat süreçlerin de uzmanlığa odaklanın; süreçler arasındaki bilgi iletişiminin kalitesini/hızını artırmak için sanal network ağları kurun ve en önemlisi bu işleri yönetecek insan kaynağına yatırım yapın, derim. 

Yayım tarihi

ERP – PDM – MES (PLM Integration)

Üretimde üç domain vardır. 1)Business Domain (ERP), 2) Product Domain (PDM/CAx), 3) ManufacturingDomain (MES). Bu üç domain bir araya gelerek PLM yapısı oluşturlar. 

ERP yani BD, satış, malzeme ana verileri, ürün ağaçları, stok, finans/muhasebe ve lojistik gibi temel süreçleri yönetmekten sorumludur. Bu domainin iyi çalışması için iki önemli unsur vardır: 1) doğru ürün ağacı, 2) gerçek zamanlı bilgi girişi (transaction). Ürün ağacı yanlış olur ve üretim sonu kayıtları zamanında ERP’ye girilmez ise MRP doğru çalışmaz, satın-alma ve imalat iş emirlerini doğru çıkaramaz. Planlar yanlış olur, üretimde kısa kalınır, teslimatlar gecikilir, vs.….

  • PDM/CAx, ürün geliştirme aşamasındaki tüm verilerin üretildiği domaindir. Burada üretilen verilerin (BoM: materials/parts info and manufacturing routing) zamanında ve doğru olarak ERP’ye aktarılması gereklidir. Ancak, PDM ile ERP domainleri arasında entegrasyon yok ise, BoM transferi manuel yapılır ve büyük oranda yanlış/eksik bilgi aktarımı sonucunda MRP istenilen sonucu üretemez, yukarıda bahsedilen sorunlar meydana gelir. O nedenle, O nedenle, PDM – ERP entegrasyonu mutlaka düşünülmesi gereken konuların başında gelmektedir.  
  • Öte yandan, önceleri ERP tarafından yönetilen kalite süreçleri artık yavaş yavaş PDM domainine kaymaya başladı. PDM/Cax yazılımları ile tüm kalite planları ürün geliştirme süreci esnasında yapılabilmektedir. BoM ’un yanında ERP’ye aktarılması gereken bir diğer önemli bilgi ise PDM domain ’inde üretilen kalite planlarıdır.
  • MES’in temel fonksiyonu PEM (Planning, Execution, Monitoring) olarak düşünülebilir. MRP’den alınan iş emirlerinin imalata yönlendirilmesi ve gerçek zamanlı bilgi girişinin yapılmasını sağlayarak, ERP stok verilerinin sürekli güncel kalmasını sağlamak MES’in temel fonksiyonudur. MRP’lerin doğru çalışabilmesinde MES’lerin rolü önemlidir. MES’lerin de aynen PDM gibi ERP’lerden rol çaldığını da görmekteyiz. Özellikle bakım süreçlerinin artık MES’ler üzerinden yönetilmektedir.

Bu kapsamda, işletmeler artık ERP değil PLM sürecine girmek zorundalar. ERP belki ilk adım ancak diğer iki domaini de dikkate almak gerekiyor. 

Bunlara ilave olarak ihtiyaçların doğru tanımlanması (domain expertise), süreci yönetecek yetkin danışmanların mevcudiyeti (PDM/Cax admin, ERP admin) ve işletme karar vericilerinin desteği (leadership) bu sürecin başarıya ulaşabilmesindeki kritik faktörler olarak gösterilebilir.

Yayım tarihi

EXCEL OUT | JUPYTER/PHYTON IN

  • Hangi malzemeden, ne kadar stok tutmalıyım (Forecast: Q)?
  • Ne zaman yeniden satın alma sipariş vermeliyim (RoP: Re-order Point)?
  • Yeni ürünü ne zaman pazara sürmeliyim (Product Lifecyle)?
  • Tedarik zincirinin en zayıf halkaları hangi tedarikçilerdir (Supplier evaluation)?
  • Yılın ikinci yarısında ne kadar üretim kapasitesine ihtiyacımız olacak (Demand planning)?
  • ….

Birçok üretici, operasyonlarını yürütmek için bu gibi sorulara cevaplar arıyor. Geçmiş veriler, sezgisel yaklaşımlar, ön görüler ve elbette ki EXCEL yardımı ile geleceği tahmin etmeye çalışıyor. Ancak, verinin büyüklüğü ve süreçlerin otomatize edilmesinin gerekliliği veri analizinde yeni yaklaşımların kullanılmasını zorunlu kılıyor.

Devir değişmeye çoktan başladı. Yakın bir zamanda Excel’in yerini JUPYTER / PHYTON alacak gibi görünüyor. Zira, bu ortamda gerçekleştirilen ML uygulamaları geleceği çok hızlı ve daha doğru öngörebiliyor. Örneğin, yukarıda bahsi geçen sorulara ‘Holt-Winter’s ES, ARIMA, Decomposition’ gibi zaman serisi tahminleme (Time Series Forecast) yöntemleri üzerinden çok hızlı, kolay ve daha az yanılma payı ile cevaplar bulunabiliyor. Üstelik bunun için 20 yıllık deneyime de ihtiyacınız yok, 20’li yaşlarda bir veri bilimi mühendisinin ERP ‘den gerekli verileri çekerek, Phyton üzerinden ML uygulaması geliştirmesi yeterli. 

Yeni dönemin itici gücü ‘veri’, temel konusu ise verinin dönüşümü. Artık, CI (Continual Improvement) ile birlikte CDT (Continual Data Transformation) konusunu da gündeme almak gerekiyor. İşletmelere, vakit kaybetmeden, ERP’ deki verileri üzerinden ML uygulamaları geliştirmek için en az bir veri bilimi mühendisi istihdam edin;  genç arkadaşlarıma da ML konusunda kendinizi geliştirin derim.

Yayım tarihi

Human and Machine Teaming

Yalın felsefenin en önemli yapı taşlarından biri [1) ölç – 2) kayıt altına al – 3) analiz – 4) aksiyona geç adımlarından olan “iyileştirme prensibidir”. Bu prensibi, “Kayıt altına almayacaksan ölçme, analiz etmeyeceksen kayıt altına alma, aksiyon almayacaksan analiz etme” şeklinde de tanımlayabiliriz. Teknolojik gelişim nasıl olursa olsun, bu felsefe hala geçerliliğini koruyor. 

IoT (ölç) ile veri topluyor, toplan verileri Big Data olarak tutuyor (kayıt altına al), yapay zekâ / makine öğrenmesi uygulamaları (analiz) ile büyük veri içinden anlamlı sonuç çıkartabiliyoruz. IoT + Big Data + ML konsepti, makinedeki motorun ne zaman arızaya geçeceğini, sıcaklık/titreşim sensörlerinin sürece nasıl etki ettiği gibi oldukça önemli çıkarımları bize sunabiliyor. Dijitalleşme ile “iyileştirme prensibinin” ilk üç adımını çok daha hızlı/güvenilir bir şekilde yapabiliyoruz. Ancak, son adımda yani aksiyona geçme (KAZIEN) konusunda iş şu anda yine bize düşüyor. Motoru değiştirmek, arızaya sebep veren unsurları ortadan kaldırmak için TPM yapmak ve bunun için de kültürel dönüşüme girmek bizim asli işimiz. 

Kültürel dönüşüm asli amacımız olmalıdır. Dijital dönüşüm bizim bu amaca ulaşmamıza yardımcı olacak araçlardan biridir. Peki, dijitalleşmeye nereden başlayacağız? Bunun cevabını verelim şimdi de.

SCOR süreçlerine bakalım.

  • Decision. Buradaki hata 10000 değerindedir. Diğer tüm süreçleri etkiler.
  • Design. Buradaki hata 1000 değerindedir. Tedarik ve üretimin yanlış yapmaya yöneltir.
  • Source. Buradaki hata 100 değerindedir. İmalatın gecikmesine, verimsizliğe etki eder.
  • Make. Buradaki hata 10 değerindedir. Teslimatı geciktirir.
  • Deliver. …

 Cevap belli sanıyorum. Öncelikle ‘decision’ ve ‘design’ süreçlerinizi dijitalleştirin. Çünkü, tedarik ya da imalat süreçlerinde görülen hatalar büyük oranda tasarım süreçlerinde yapılan yanlışlar sonucu ortaya çıkar.  Bunu bir düşünün derim…

Yayım tarihi

II. Makine Devrimi (Transferring mental labor to the machines)

Birinci makine devriminden itibaren fiziksel olarak yapmakta olduğumuz faaliyetleri (MANUAL LABOR) makinelere devretmeye başladık. Makineler, otomasyon sistemleri ve robotlar iş gücü gerektiren birçok süreçte yer aldılar. Bunu sadece ‘yağ’ ve ‘elektrik’ ile yaptık. Şimdi ise zihinsel emek gerektiren aktif faaliyetlerimizi (MENTAL LABOR) makinelere devretmeye başlıyoruz. Makineler artık algılıyor, yorumluyor, farklı sistemler ile iletişime geçiyor ve en önemlisi karar veriyor, aksiyon alıyorlar. Bunun için ise yağ ve elektrikten daha fazlası gerekiyor: Big Data ve algoritmalar.

AI konusu 2010’ların başından itibaren birçok alana yayılmaya başladı. 

  • Yüz tanıma, görüntü tanıma ve konuşma tanıma uygulamaları gündelik hayatımızın parçası olmaya çoktan başladı. Cep telefon, akıllı kameralar ve dijital asistanlar bu konseptteki uygulamalara örnek olarak gösterilebilir. Cep telefonları, saçımızı farklı şekilde kestirsek, o an için gözlük takmış olsak ya da yüzümüz makyajlı dahi olsa bizim resmimizi algılayarak telefonunun kilidini açabilmektedir (Face recognition). 
  • Otomobillerdeki akıllı kameralar seyir esnasında ortamdaki hareketli ve hareketsiz nesneleri (trafik işaretleri) anlık tanıyarak sürüş güvenliğini ileri seviyeye getirebilmekte (Image recognition) veya Siri ile sesli olarak telefonumuzu yöneterek, gerekli desteği anlık olarak alabilmekteyiz (Speech recognition).
  • Bugün el yazısını bilgisayarın anlayacağı metin formatına dönüştürebiliyor (Hand written to text), dönüştürülen metnin ‘Türkçe – İngilizce’ çevirisini yaptırabiliyor (Machine translation) ve daha sonra da çevrilmiş metni yeniden konuşmaya dönüştürebiliyoruz (Text to speech). 
  • Netflix, YouTube, Google gibi platformların ise kullanıcısının talebi olmamasına rağmen sürekli tavsiye ve önerilerde bulunuyor (Recommendation Systems); otomobillerdeki sensorlar aracılığı ile sürüş esnasında aracın şeritte tutulmasının sağlayabiliyoruz (Lane keeping). Tüm bu uygulamaların arkasında AI/DL teknikleri yatmaktadır.

Bu aşamada bizi, yani İMALATÇILARI ilgilendiren konu ise AI konusunu süreçlerimize nasıl uyarlayacağımızdır. Zira planlama, kalite, bakım & onarım konuları başta olmak üzere birçok süreçte AI/ML teknikleri kullanılabiliyor ve kullananlar rekabet avantajı elde ediyor. Bunun üzerine ciddi ciddi düşünün derim.

Yayım tarihi

Proje Bazlı Üretim Sistemlerinde CRM 

Yazılımlar bizi kendi ağlarına çekiyor. Çevik olabilmek için etkin bilgi yönetim sistemlerine olan gereksinim her zamankinden daha fazla. Artık, ara çözümler sonuç üretmiyor. Entegrasyon yapmak ve bunun için de her sürecin kendi dinamiklerine uygun, beklentileri karşılayacak yazılım modülleri üzerinden yönetilmesi gerekiyor. İşletmeler kar elde edebilmek için satış yapmak, ciro üretmek ve bu işi verimli yapmak zorundalar. Ancak, özellikle satışın ilk aşamalarındaki yetersiz-eksik-yanlış bilgi iletimi/paylaşımı ya da süreç yönetiminin eş zamanlı olmaması gibi etkenler, işletmelerin istedikleri performansı sergileyememelerine neden olabilmektedir. CRM (Customer Relationship Management) modülleri bu aşamada oldukça önem arz etmektedir. Zira; iş süreçleri pazarlama, fırsat oluşturma ile başlıyor. Yani işin başında, ciro potansiyelinin doğuşunda CRM modülleri yer alıyor.

Şimdi bu konuyu biraz açalım. Ancak, öncelikle işletmenin ciro kanallarının neler olabileceğini tanımlayalım. Bir proje firması olduğumuzu düşünelim. Bu anlamda satış kanallarımız (segment) şu şekilde olabilir.

  1. Proje satış: İçeriğinde en az bir ürün içeren, genelde işletme içinde tasarlanan, üretilen ancak bazı ürünleri dış kaynaklara da yaptırılabilen, üretimden sonra da süreci devam eden ve proje yöneticisi atanması gerektiren siparişler bu kapsama girer. Siparişin alınması aşamasından sonra ‘tasarım – tedarik – üretim – sevkiyat – devreye alma’ iş süreçleri vardır. Proje firmalarının ağırlıklı ciroları bu kanaldan gelir.
  2. Ticari satış: Dışarıdan, bayisi olunan ana tedarikçiden, ürün ya da malzeme olarak alınarak satışı yapılan tek ya da birden fazla ticari ürünün oluşturduğu siparişler bu kapsama girer. Siparişler, ürün/malzeme üzerinde değişiklik yapılmadan geldiği şekilde müşteriye gönderilir. Siparişin alınması aşamasından sonra ‘depo elleçleme – sevkiyat’ iş süreçleri vardır. Proje firmalarında bu kanal da önemli bir ciro unsurudur.
  3. Servis satış. Müşteriler tarafından talep edilen arızi-bakım, planlı bakım, revizyon, eğitim gibi taleplerinin karşılanması için, işletme içinde ya da dışında yapılan tüm garanti içi ya dışı hizmetlerdir. Proje bazlı işletmelerde bu kanal hem ciro hem de müşteri memnuniyeti açısından oldukça önemlidir.
  4. Mühendislik hizmeti satışı. Herhangi bir üretim çıktısı olmayan, mühendislik hesaplamaları (CAx), yazılım hizmetleri, danışmanlık gibi konuları içeren hizmetlerdir.

Bu kanallar elbette farklılık gösterebilir. Ancak, proje bazlı işletmeler nereden para kazanıyor sorusuna cevap olarak en genel anlamı ile satış kanalları bu şekilde tanımlanabilir. 

Şimdi, CRM sürecinin içeriğine bakalım. CRM süreci genel olarak üç fazdan oluşur: 1) Fırsat, 2) Teklif, 3) Sipariş. Her fırsatın bir teklife, her teklifin de bir sipariş kazanma olasılığı mevcuttur. Fırsatların teklife, tekliflerin siparişlere dönüşme oranı CRM sürecinin ya da satış/pazarlama süreçlerinin ne derece etkin yönetildiği belirler. Şimdi bu süreci biraz açalım.

Fırsat, potansiyel satış olasılığı demektir. Hangi müşteri ya da müşteri adayında ve hangi satış kanalında/kanallarında satış potansiyeli olduğunun CRM sistemine tanımlanması aşamasıdır. Her satış fırsat ile başlar, ancak her fırsat siparişe dönüşmez. Bu sonuç işin doğası gereğidir. Ancak, satış ve pazarlama süreçlerinde ne efor harcanıyor ne kadar doğru planlama yapılıyor ya da pazarın beklentileri ne kadar doğru anlaşılıyor gibi sorulara cevap vererek, işletme satış stratejisini daha rekabetçi kurgulayabilmek için CRM veri tabanlarından elde edilen bilgiler oldukça önem taşır. Zira, CRM’e tanımlanan her müşteri sistemde bir iz bırakır ve bu izler bize fırsatın satışa nasıl dönüştüğü ya da neden dönüşemediği hakkında önemli ip uçları verir.  Fırsat sürecinde ana hedef, potansiyel satış olasılığını bir sonraki aşamaya yani teklif aşamasına geçirebilmektir. Bu amaç doğrultusunda potansiyel müşterilere düzenli ziyaretler ve bilgilendirmeler yapılarak, müşteri tarafında ihtiyaç oluşturulmaya çalışılır. Tüm faaliyetlerin, aktivitelerin planlanması ve yönetilmesi süreci CRM üzerinden yapılır. 

Teklif, potansiyel fırsatın sipariş dönüştürülebilmesi için gereken bir sonraki adımdır. Müşteri probleminin anlaşılması, uygun çözümün geliştirilmesi ve çözümün teklif olarak müşteriye sunulması bu aşamada gerçekleşir. Proje firmalarında bu süreç oldukça uzun ve meşakkatlidir. Saha incelemesi (survey), ön mühendislik çalışması gibi satış bölümümün tek başına yapamayacağı bazı faaliyetler içerebilir. Bu kapsamda, mühendislik – üretim – tedarik gibi bölümlerden destek alınması, bu destek taleplerinin ve talebe karşılık yapılan tüm işlemlerin, yani tüm bilgi akışının CRM üzerinden olması gereklidir.

Teklif hazırlama bazen oldukça uzun ve hataya oldukça açık bir süreçtir. Teklifin hatalı, geç ya da eksik verilmesi olası siparişin kaybedilmesine dahi yol açabilir. CRM sistemlerinde otomatik teklif hazırlama şablonları bu aşamada oldukça işe yarar. Her satış kanalı (segment) için daha önceden hazırlanmış şablonlar kullanılarak teklifler hızlı bir şekilde oluşturulabilir, tekliflerde yapılan revizyonalar düzenli bir şekilde saklanabilir. Benzeri şekilde ürün konfiguratörü üzerinden modüler ürün teklifleri çok daha kolay hazırlanabilir ya da müşteri finansal risk öngörüsü hakkında bilgiler CRM ortamından alınabilir.

Teklifin sondan bir önceki aşaması sözleşme sürecidir. Bu süreçte dikkat edilmesi gereken en önemli aşama burasıdır. Çünkü, bu aşamadan sonra tüm süreç müşteri ile yapılan sözleşme koşullarına göre ilerler. Sunulan çözümün teknik olarak müşteri tarafından onaylanması, proje kabul onay süreci, müşteri ve işletmenin bu süreçteki ayrı ayrı yükümlülükleri, ödeme koşulları gibi konuların net olarak tanımlanması gerekir. Birçok proje firmasında özellikle bu alanda görülen eksikliklerin ciddi sorunlara yol açtığını gözlemliyoruz. 

Teklifin son aşaması müşteri onayı sürecidir. Müşteri tarafından verilen onay sonrasına teklif kesin siparişe dönüştürülür. 

Sipariş kesinleştikten sonra satış bölümünün işi bir bakıma bitmiş, fırsat siparişe dönüşmüştür. Artık, siparişin karşılanması için gerekli sürecin bir an önce başlatılması gerekir. Bu aşamada sipariş içeriği ile ilgili ayrıntılı bilginin satış bölümü tarafından proje ekibine aktarılması, proje master planının genel hatları ile hazırlanarak müşteriye sunulması gerekir. Artık, sipariş ile ilgili müşterinin ana muhatabının proje yöneticisi olduğu bilgisi, master proje planı ile müşteriye bildirilmelidir. Burada şu ayrımı yapmak yerinde olacaktır. Satış yapmak ile proje yönetmek farklı süreçlerdir. Satışın görevi ihtiyaç oluşturmak, sipariş almak; projenin görevi ise alınan siparişi hedefler dahilinde gerçekleştirmektir. O nedenle, birçok işletmede satış sonrası ‘handover’ toplantıları üzerinden sipariş proje bölümüne ayrılır ve bu aşamadan sonra tasarım – tedarik – üretim – sevkiyat – kurulum süreçleri proje yöneticisinin kontrolünde yürütülür.

CRM verileri sistemdeki ilk anlamlı verilerdir. Sürecin geri kalanı buradan çıkan veriler üzerinden yönetilir. Tüm sistemin tek bir yerden beslenmesi, kararların doğru ve hızlı alınabilmesinin önünü açar, işetmeye rekabet avantajı sağlar. Bu kapsamda, CRM sürecini daha etkin yönetebilmek için strateji geliştirin ve uygulayın derim.

Yayım tarihi

Endüstride Dijital Dönüşüm ve Yapay Zekâ

Üretim endüstrisi IoT ve akıllı sistemler üzerinden veri üretmeyi ve üretilen veriyi siber fiziksel sistemler (CPS) üzerinde taşıyarak büyük veriye ulaşmayı başarmış görünüyor. Artık sıra, büyük veri içinden anlamlı sonuçlar, ön görüler çıkartarak izleme, kontrol etme ve karar verme süreçlerindeki etkinliği artırmaya geldi. IoT (1), CPS (2), Big Data (3) ve AI (4) olarak tanımlayabileceğimiz dijital dönüşüm sürecinde değeri oluşturan katmana AI yerleşiyor. Zira, veri içinden anlamlı sonuç üretmek ve bunu kullanmak (explore and exploit it) üstün ateş gücü sağlıyor.

Üretim endüstrisinde üç ana konu öne çıkıyor. Hızlı ürün geliştirme (Fast Product Development), Dirençli Tedarik Zinciri (Robust Supply Chain) ve Operasyonel Mükemmellik (Excellence in Manufacturing).

  • İşletmeler artık eskiye göre çok daha fazla sayıda yeni ürün geliştirmek zorundalar. Bu durum ürün geliştirme maliyetlerinin üretim maliyetlerinin önüne geçmesine neden oluyor. Pazar beklentilerini hızlı anlayıp, çevik olabilmek için bilgi yönetimi en öncelikli gündem maddesi. PDM-ERP- MES entegrasyonları hep bilgi/veri yönetimine yatırım için yapılıyor. Bilgiyi arama, bekleme ya da yeniden üretme sorunlarını elimine ederek rekabette bir adım öne geçiyorlar. Burada ve dış ortamda üretilen veriler doğrultusunda SMART DESIGN konusunda AI çalışmaları yapılıyor. Ürünler daha hızlı, daha kaliteli ve daha az maliyet ile geliştiriliyor.
  • Tedarik zincirleri pandemi, kara kış, savaş gibi etkenler nedeni ile kesintilere uğradığına hepimiz şahit olduk. Dayanıklı (robust) ve dirençli (resilient) tedarik zinciri yönetimi şu aralar gündemdeki bir diğer önemli konu. Büyük veri, MATERIAL DISTRIBUTION & TRACKING, SMART PLANNING & OPTIMIZATION konularında karar destek sistemlerinin daha doğru ve hızlı olmasına olanak sağlıyor. 
  • Üretim/imalat zaten sürekli olarak üzerine düşündüğümüz ana konuların başına geliyor. Lean, agile, hibrid üretim derken, şimdilerde Akıllı Üretim konusuna odaklananlar rekabet üstünlüğü elde ediyor. MANUFACTURING PROCESS MONITORING, SMART EQUIPMENT MAINTENANCE VE PRODUCTION QUALITY CONTROL alanlarında AI uygulamaları görüyoruz.

Dijital dönüşüm sürecinde ana tema büyük veri üzerinden süreç yönetimi. Bu sonuç MLOps (Machine Learning for Operations) konusunun popülaritesini giderek artırıyor. MLOps konusuna yatırım yapmak hem işletmelere hem de genç arkadaşlara farklı alanlar açacaktır kanısındayım. Bu konu üzerine kafa yorun ve strateji geliştirin derim.

Yayım tarihi

Dijital Yolculuk ve Olgunluk Seviyesi

İmalat endüstrisinde iki konu öne çıkıyor: Ürün geliştirme süreci ve üretim operasyonları (tedarik zincirini her iki kapsama dahil ettim). Her iki konuda da amaç aynı: hız ya da lead time reduction. Bunun için, kayıpların ne olduğunu görmek; kayıpları ortadan kaldırabilmek için de ‘Bilgi Yönetimi’ konusuna odaklanmak gerekiyor. Zira, bilginin üretildiği yerden gerçek zamanlı alınması (capture), organize şekilde saklanması (organize) ve yeniden kullanıma hazır olması (reuse), karar verme süreçlerinin güvenirliğini ve hızını son derece olumlu yönde etkiliyor. 

Bu konuya yeni giren işletmeler henüz CAD/PDM veya MES/ERP konularına odaklanırlarken, bir adım önde olan işletmeler ise dijital dönüşümüm IT tarafını oluşturan ‘PDM_ERP_MES’ entegrasyonuna odaklanarak PLM düzeyine çıkmaya çalışıyorlar. Ardından ise;

  • IT ile OT’yi entegre edip CPS omurgasını kurmak,
  • CPS omurgası üzerinden büyük veriyi oluşturmak ve nihayetinde de,
  • AI ile büyük beri içinden anlamlı sonuç çıkarmak istiyorlar (Journey of Data: Data, Information, Knowledge, Insights, Decision).

Dijital Dönüşüme giden yol, kayıpları elimine etmek (Lean) ve bilgi yönetimine öncelik vermekten geçiyor. Ardından, diğer adımlara odaklanarak dijital olgunluk seviyenizi artırabilirsiniz kanısındayım.  Eğer, dijital olgunluk seviyenizi merak ediyorsanız, basitçe aşağıdaki seviyelere bakabilirsiniz (Kaynak: Lütfi Apilioğulları).

Seviye_1          : IT integration (PDM_ERP_MES)

Seviye_2          : IT & OT integration (CPS)

Seviye_3          : AI (ML & DL): Data – Information

Seviye_4          : AI (ML & DL): Data – Information – Knowledge

Seviye_5          : AI (ML & DL): Data – Information – Knowledge – Insights

Yayım tarihi

Entegrasyon ve etkisi

VSM (Value Stream Mapping) her alanda işimize yarıyor. Malzemenin ve bilgininin nasıl aktığını, sürecin nerede kesintiye uğradığını ve nereye odaklanılacağının belirlenmesinde oldukça faydalı bir araç. O nedenle literatürde ‘process language’ olarak tanımlanıyor.

Aşağıdaki iki resim arasında sadece ‘1’ adet fark var: entegrasyon. Mühendislik sürecinde üretilen ürün verilerinin ERP’ye entegrasyonu ile elde edilen bu küçük fark, işletmeleri büyük dertlerden kurtarıyor. Satın alma, planlama ve üretim için gerekli olan tüm veriler, mühendislik süreçlerindeki otomatik entegrasyon ile ERP’ye (stok kartı, ürün ağacı, rotalar); ERP ’den de mühendislik süreçleri için gerekli olan farklı veriler PDM’e aktarılıyor (malzeme fiyatı, teslim süresi gibi) ve mühendislik süreçleri sonrasında planlama/üretim fonksiyonlarına kendi işleri haricinde pek bir şey kalmıyor (bunun için PDM tarafında ve ERP ile PDM arasına özel bir yazılım geliştirildi). Veriyi, üretildiği yerden ve gerçek zamanlı olarak bir sonraki sürece doğru olarak aktarabilmek (SSoT: Single Source of Truth) işletmelere çeviklik kazandırıyor. 

ERP – PDM – MES imalat endüstrisindeki en önemli üç ana domain. Sektörde, her üç domain için farklı çözümler mevcutERP (Business Domain) – PDM (Product Domain) – MES (Manufacturing Domnain) imalat endüstrisindeki en önemli üç ana domain. Sektörde, her üç domain için farklı çözümler mevcut.. Her birinin güçlü yönleri var ancak – domainler aralarında etkileşim/entegrasyon olmadan gerçek değer zinciri (value chain) oluşamıyor. Zira, hiçbir domain tek başına işletmelerin rekabet gücüne istenilen katkıyı veremiyor. 

Entegrasyon konusu önemli ancak bir o kadar da zor ve problemlere de gebe. Olası, upgradelerde entegrasyonların da güncellenmesini gerektiriyor. Peki ne yapacağız? Cevabı şu şekilde verebiliriz belki. Entegrasyona gerek bırakmayacak ya da en az entegrasyon gerektirecek teknolojik çözümleri seçebiliriz (platform solutions). Her problem için farklı vendor ile çalışarak mükemmeli aramak yerine, temel ihtiyaçları karşılayacak bir vendor’u stratejik partner olarak seçip, yeteri kadar iyiye odaklanmak şu dönemde daha avantajlı gibime geliyor. Üzerine düşünün derim…

Yayım tarihi

Change and Its Effects

 İmalat endüstrisinde odaklanılması gereken beş ana konu.


–      Fast Product Development: Eskiye göre çok daha fazla sayıda yeni ürün geliştiriyoruz. Ürün geliştirme maliyetleri bazı sektörlerde üretim maliyetlerini geçti. Pazarın beklentilerini hızlı karşılayabilenler bir adım öne geçiyor.
 
–      Robust Supply Chain: Tedarik zincirleri pandemi, kara kış, savaş gibi etkenler nedeni ile kesintilere uğruyor. Dayanıklı (robust) ve dirençli (resilient) tedarik zinciri yönetimi şu aralar gündemdeki bir diğer önemli konu.
 
–      Excellence in Manufacturing: Üretim/imalat zaten sürekli olarak üzerine düşündüğümüz ana konuların başına geliyor. Lean, agile, hibrid üretim derken, şimdilerde Akıllı Üretim konusuna odaklananlar rekabet üstünlüğü elde ediyor.
 
–      IoT-CPS-Big Data- AI: Dünya sınıfı üreticiler ‘IoT-CPS-Big Data’ sürecini geçtiler ve artık elde ettikleri büyük veriden anlamlı sonuçlar çıkararak süreçlerini yönetiyorlar. Yeni gündemleri artık Machine Learning for Operations (MLOps). Bu kapsamda veri bilimi/mühendisliği konusuna yatırım yapıyorlar.
 
–      Technological & Cultural Transformation: Dönüşüm, başlangıcı olan ancak sonu olmayan bir yolculuk. Birçok dönüşüm sürecinde beklenti karşılanamıyor! Bu sonucun çok değişik nedenleri olabilir ancak başarılı dönüşüm modelleri de görmüyor değiliz. Benchmarking konusu ve literatür taraması bu anlamda mutlaka gerekli gibime geliyor.
 
Gerek akademisyen gerekse sahada uygulama yapan arkadaşlara bu konular üzerine düşünmelerini, araştırma yapmalarını tavsiye ederim.

Yayım tarihi

Yapay Zekâ Nasıl çalışıyor (How AI Works)?

Geçtiğimiz gün küçük oğlumun ödevlerine bakarken gördüm aşağıdaki resmi. Almanca kelimeler ile resimlerin eşleştirilmesini isteniyordu ödevde. Hiç almanca bilmiyor olmamama rağmen biraz düşünme ile her kelimeyi doğru şekilde eşleştirebildim. Yüzde yüz doğru cevapları seçtim. Eminim siz de rahatlıkla yapabilirdiniz.

Peki bunu nasıl yaptım ya da bu konunun günümüz dünyası ile ne ilgisi var? 

İnsan beyni nasıl düşünüyor ya da düşünmek eyleminde neler gerçekleşiyor? Bilim dünyası uzunca bir süredir bu sorunun cevabını arıyor ve yapay zekâ (AI) üzerine ciddi araştırmalar yapılıyor. İkinci makine dönemi içinde (Artificial Machine) olduğumuz şu dönemde, AI üzerine, özellikle 2010’lardan sonra oldukça mesafe alındı, halen de alınıyor. Zira, gün geçmiyor ki yeni bir AI uygulaması ile karşılaşmayalım.

Şimdi konuyu başka bir perspektiften açıklamaya çalışalım. Resme yani oğlumun ödevine geri dönelim. Almanca kelimeler ile resimleri eşleştirmek…

Hiç bilmediğim almanca kelimelere bakarken bazı çıkarımlar yapmaya çalıştım. Resimlere bakarak Almanca kelimelerin İngilizce ve Türkçe karşılıklarını aklımdan geçirdim (bildiğim diller bu olduğu için).

  • Türkçe aslan kelimesine benzeyen kelime yoktu seçeneklerde ancak İngilizce aslan anlamına gelen ‘lion’ kelimesine benzeyen, onu çağrıştıran ‘Löwe’ kelimesi vardı seçeneklerde. Lion ve Löwe kelimelerinin harf sayıları eşit ve ikisi de ‘L’ harfi ile başlıyordu. Aralarında benzerlik vardı ve ‘löwe’ kelimesi bir ihtimal aslan kelimesinin Almanca karşılığı olabilirdi.
  • Yunus kelimesine benzeyen kelime de yoktu seçeneklerde. Ancak İngilizce ‘yunus’ kelimesinin karşılılığı olan ‘dolphin’ kelimesine oldukça benzeyen, harf sayıları birbirine yakın ve ilk harfi ‘d’ olan ‘delfin’ kelimesi bulunuyordu seçeneklerde. Aralarındaki benzerlik oldukça yüksekti. Büyük ihtimalle ‘delfin’ kelimesi yunusun almanca karşılığı olmalıydı. 
  • Benzer şekilde papağana benzeyen kelime ‘papagei’ olarak, zebra kelimesi ise bire bir aynısı olarak zebra olarak duruyordu seçeneklerde. Bu kelimeler de ingilizce karşılıklarına oldukça yakın ya da aynısıydı. 
  • Maymun için zaten ‘affe’ kelimesi işaretlenmişti ki ne Türkçe (maymun) ne de İngilizce (monkey) karşılığına hiç benzemiyordu.
  • Devekuşu da aynen ‘affe’ gibi Türkçe (devekuşu) ne de İngilizce (ostrich) karşılığına hiç benzemiyordu. Ancak diğer seçenekler yerini bulunca geriye bir tek bu kaldığı için devekuşunun da karşılığı ‘Strauß’ olmalıydı.

Tüm bunları beynimin içindeki ‘neuronlar’ aracılığı ile yapmıştım. Daha önce öğrendiğim kelimeler beynimin içinde yer etmiş (training) ve öğrendiklerimi ilk defa gördüğüm kelimeler (testing) ile karşılaştırarak (algorithm) aralarında benzerlik (similarities) olup olmadığını anlamaya, çıkarım yapmaya çalışmıştım. Bir kelime zaten işaretlenmişti. Dört kelime ile ilgili oldukça benzerlikler bulmuştum ve geriye kalan bir kelime hakkında benzerlik kuramasam da geriye kalan tek kelime olduğu için beş seçeneği de doğru işaretleyebilmiştim.

Peki, ben bu sonuca nasıl ulaşabilmiştim? Daha doğrusu, insan beyninin öğrenme ve karar verme dürtüsünü taklit eden yapay zekâ bu sonuca ulaşabilir mi, ulaşabilirse bunu nasıl yapar?

Cevabı birlikte arayalım. 

Beynimin için deki neuronlar bu kelimelerin İngilizce ve Türkçe karışlıklılarını daha önce defalarca görmüştü ve öğrenmişti (supervised learning). Bir başka ifadeyle makine öğrenmesinin ilk fazı olan ‘training’ session daha önceleri gerçekleşmişti. Şimdi, karşıma çıkan ve daha önce görmediğim kelimeler (unseen data) ile daha önceki öğrenme sürecini test ediyordum. Bunu yaparken yaptığım tek şey kelimeler arasında benzerlik kurmaya çalışmaktı (similarities). Bazen kelime uzunluğu, bazen harflerin benzerliği bazen ise hiç benzerlik olmaması karar verme sürecinde bana yardımcı olmuş ve kelimeler ile resimleri doğru bir şekilde eşleştirebilmiştim.

Yapay zekâ işte aynen bu şekilde çalışıyor. Büyük veri üzerinden öğreniyor ve öğrendiğini matematiksel olarak modelliyor. Öğrendikleri ile yeni gördüklerini model üzerinde karşılaştırarak sınıflandırma (classification) yapıyor (Learning – Modelling – Testing). Tek fark bunu sayılar (vektörler) üzerinden yapıyor. İşin özeti aslına bu kadar basit.

Tabi ki insan beyninin işleyişi çok daha kompleks. Ancak şunu biliyoruz ki gördüğümüz, okuduğumuz, hissettiğimiz, tattığımız ya da duyduğumuz her şey (beş duyudan gelen büyük veri) milyarlarca neuronun (processing unit) oluşturduğu bir ağ üzerinde (Neural Networks) işlenerek, filtrelenerek bir modele dönüştürülüyor ve beynimizde bu model bir süre kalıyor. Yeni bir şey (unseen data) ile karşılaşınca yeni veri beynimizin içindeki, daha önceden öğrenme sürecinde oluşturulmuş ve sayısını bilemediğimiz modellerden ilgili olan ile karşılaştırılıyor ve beyin bir cevap üretiyor. Bir şeye cevap verememenizin gerçek nedeni muhtemelen o konu ile ilgili daha önce öğrenme (training) sürecinden geçmemeniz, yeterince öğrenememeniz (under-fitting) ya da aşırı ezber yapmanız (over-fitting) olabilir. 

Yapay Zekâ uygulamaları (Regression, Classification, Clustering) geleceği şekillendirmeye çoktan başladı. Artık her şey akıllı (smart) olmak zorunda. Smart yani veri üreten ve paylaşan nesnelerden gelen verileri kullanmak fark oluşturuyor. Yapay Zekâ konusunu ivedilikle gündeminize almanızı, bu konu hakkında kendinizi geliştirmenizi öneririm. Bu konu üzerine düşünün derim.

Yayım tarihi

Speak with (Big) Data | From T shape to Pi Shape

Endüstriyel proseslerde her daim problem vardır (No problem is problem). Her ne kadar süreçlerimizi standartlaştırmaya çalışsak dahi kontrol edemeyeceğimiz ya da kontrolü pek kolay olmayan unsurlar sonucunda problemlerle karşılaşırız. Rekabetçi bir işletme olabilmek için işletme içinde problem çözme yetisi yüksek iş gücüne çok fazla gereksinim vardır. Bu anlamda veriler üzerinden süreçlere bakıp, PPS gibi (Practical Problem Solving) problem çözme tekniklerin bilmek ve uygulamak endüstriyel proses problemlerinin çözümünde oldukça fayda sağlar.

Ancak şu an durum eskiye göre çok daha farklı. Eskiden sahip olmadığımız yeni imkanlara sahibiz. Bunların başında makine öğrenmesi geliyor. Bir problemi çözebilmek için artık PPS yapmak yerine büyük veriyi bir kara kutuya (Function approximator) gönderiyor ve çıkışında çözümü elde edebiliyoruz. Büyük veri, algoritmalar ve işlem yeteneğininin bir araya gelmesi bunu olanaklı kılıyor. Veri bilimi, yeni dönemde ‘moonshine’ olarak karşımıza çıkıyor ve bizim adımıza sürekli iyileştirme/problem çözme süreçlerinde rol alıyor!

Alan bilgisi (domain knowledge) süreç yönetiminde oldukça önemli. Fizik bilmeden tasarım yapılamaz, süreç bilmeden ERP kurgulanamaz… Ancak, artık sadece alan bilgisi ya da bir konuda uzmanlık tek başına yeterli gelmiyor rekabetçi olabilmek için. Süreç içinde oluşan problemleri hızlı ve doğru şekilde çözebilmek hem ‘alan bilgisine’ hem de ‘problem çözme yetisine’ bir arada sahip olmayı gerektiriyor. Bir başka ifadeyle yeni dönem, bizleri T tipi yetkinlikten Pi tipi yetkinliğe geçiş yapmaya, bunun için de ‘Makine Öğrenmesi’ konusunda kendimizi geliştirmeye zorluyor. Artık, iş disiplini ne olursa olsun hemen herkesin standart olarak veri bilimi konusunda bilgi sahibi olması gerekecek gibi görünüyor. Bunun üzerine düşünün derim…

Yayım tarihi

Organizasyonel Gelişim (Martec’s Law)

Teknolojik gelişimi transistor boyutlarının her on sekiz ayda bir yarıya indirgenebilmesi üzerinden açıklayan ‘Moore’s Law’, daha fazla küçülmenin silikonun yarı iletkenlik özelliğini kaybetmesine neden olmasından dolayı artık geçerliliğini kaybetmişe benziyor. Exponansiyel büyüme (artan ivmelenme) gösteren IC içindeki transistor sayısı, önce logaritmik (azalan ivmelenme), şimdilerde ise saturasyon moduna girmiş durumdadır. IC işlem yeteneğini /gücünü daha da artırabilmek ve yeniden artan ivmelenme yakalayabilmek için malzeme bilimciler yeni arayışlar içindeler (graphin, memristor, vs.,).

Silikon teknolojisinin alternatif malzemesi henüz tam netlik kazanmasa da bilim dünyası bu açığı ‘IoT, Big Data/AI, Quantum Computing ve Algoritmalar’ üzerinden telafi etmeye çalışarak, saturasyon modundaki teknolojik gelişim eğrisini yeniden exponansiyel moda dönüştürmeye çalışmaktadır; başarmışa da benziyorlar. Zira, son on yıl içinde hayatımıza giren ve bildiklerimizin geçerliliğini yitirmesine neden olan, teknolojinin exponansiyel olarak yeniden gelişmeye başladığı Endüstri 4.0 teknolojileri ile karşı karşıyayız.

Teknolojinin exponansiyel gelişimi bizi neden bu kadar ilgilendiriyor ve aynı zamanda da endişelendiriyor? Bunu en güzel açıklayan kuramların başında teknolojinin exponansiyel, organizasyonların ise logaritmik olarak geliştiğini; teknoloji ve organizasyonel gelişim eğrileri aradaki mesafenin çok açılması durumunda işletmelerin yaşamsal riske girebileceklerini savunan ‘Martec’s Law’ gelmektedir. Bu kuramı, iki atom arasındaki çekim gücünün aralarındaki mesafenin karesiyle ters orantılı olması durumuna benzetebiliriz: Mesafe açılırsa, atomlar arasında bağ kalmaz ve kopmalar meydana gelir.

Günümüz işletmelerinin en temel sorunlarının başında organizasyonel büyümenin teknolojik gelişime göre yeterli olmaması; teknoloji ile organizasyon yetkinliği arasındaki mesafenin giderek açılması gelmektedir. Altın yumurtlayan kaz örneğinde olduğu gibi yumurtayla birlikte kaza da odaklanarak, organizayonel gelişim eğrisini sık periyotlarda logaritmik moddan exponansiyel moda dönüştürmek gerekiyor, bu sorunun üstesinden gelebilmek için. Zira, teknolojik gelişim evresi, biz işletmecilerin etki alanının dışında olduğu için bu alana müdahale edebilmemiz pek mümkün gözükmemektedir. Yapabileceğimiz tek şey logaritmik moddaki organizasyonel eğrisini belirli aralıklarla ve etkin müdahelelerle exponansiyel moda çevirmek; saturasyon moduna düştüğünde hemen yeni teknikler/stratejiler ile bozulan eğriyi düzeltmeye çalışmaktır. Aynen, sürekli iyileştirme felsefesinde olduğu gibi…

Peki, bu durumda ne yapmak gerekiyor. Dünya; IoT, AI, Nano materyaller üzerine olanca hız ile giderken odaklanılması gereken en öncelikli unsur Çevik Organizasyonlar gibi görünüyor. Keza, esnekliğin ve hızın kombinasyonu olarak tanımlanan çeviklik olmadan ön görülemeyen belirsizlik ile mücadele edebilmek, değişime adapte olabilmek olanaklı değildir. İnsana yatırım ile yetkin iş gücü elde etmek, yetkin iş gücü ile yalın/çevik süreçler tasarlamak, tasarlanan süreçleri uygun teknolojiler ile desteklemek ve kazanımları tüm tedarik zincirinde yaygınlaştırabilmek Çevik Organizasyonların en önemli karakteristiğidir. Keza, Dijital Dönüşümün özünde yalın/çevik (Leagile) stratejiler üzerine teknolojinin bindirilmesi yatar. Bir başka ifade ile standart binanın temeli, teknoloji ise onu yükselten kolonlardır.

Deneyimler göstermiştir ki değişim ya da dönüşümün süreçlerinde başarısızlığın temel nedenlerinin başında karar vericilerin ya da strateji belirleyicilerin süreç içinde etkin rol almaması gelmektedir. Bilgi eksikliği, konuyu önceliğe almama, bütçe ayırmama, kısa zamanda aşırı beklenti ya da değişim sürecini taşere etme yaklaşımı gibi etkenler bu sonucun sebepleri arasında gösterilebilir. Patron ya da karar vericiler 4.0 olmadan işletmenin 4.0 olması, organizasyonel gelişim sürecinde logaritmik moddan exponansiyel moda geçilebilmesi, teknoloji ile organizasyon arasındaki mesafenin kapatılabilmesi mümkün değil gibi gözükmektedir. 

Yayım tarihi

Bilgi olmadan, ihtiyaç tanımlanamaz.

Sürekli üretim, proses endüstrisi, kesikli üretim derken proje bazlı imalat yapan üretim endüstrisinde de ‘Dijitalleşme’ çalışmalarının artış gösterdiğini gözlemliyoruz. Ürün çeşitliliğin yüksek, miktarın düşük olması (High Mix & Low Volume), bu endüstride yalın ve çevik stratejileri (Leagile) birlikte ele almayı gerektiriyor. Zira; kalite ve maliyetin hijyen faktörü olduğu bu endüstride sipariş kazandıran öncelikli unsur ‘hız’. Hız öyle bir etken ki, bazen müşteriler erken teslimat için daha fazla ödeyebiliyorlar.

Proje bazlı imalat endüstrisinde müşteri beklentisinin iyi anlaşılması ile başlayan süreç, ‘planlama, tasarım, tedarik, üretim, sevkiyat, devreye alma ve tahsilat’ ile sonlanıyor (SCOR model). Kâğıt üzerinde kolay gibi gözüken bu değer zincirini yönetmek, özellikle Kobiler için pek kolay değil maalesef. Proje yönetimi ve planlama alanlarında yetkinlik sorunu (İnsan kaynağı); teknoloji altyapı eksiklikleri (Endüstri 3.0 koşulları) ve karar vericilerin teknolojik alandaki bilgi seviyelerindeki yetersizlikler ihtiyaçların doğru tanımlanıp, ideal sistemin kurulmasındaki engeller olarak göze çarpıyor. Tabi ki bütçe konusu da önemli ancak yalın ve çevik stratejiler üzerinden kayıpların elimine edilmesiyle, gerekli kaynağın sağlanabildiğini birçok yerde görmekteyiz. 

Proje bazlı imalat endüstrisinde üç temel kriter mevcuttur: 1) Kalite, 2) Hız, 3) Maliyet. Rekabetçi olabilmek için bu üç unsurun bir arada olması gerekiyor. Bunun için de doğru yapılanma ve ekip çalışması gerekir. Yapılanma konusunda çok şey söylenebilir ancak öncelikli olarak ele alınması gereken konuları genel olarak şu şekilde sıralayabiliriz.

  • Her şeyden önce işletme bünyesinde bir proje yönetim ofisi kurularak (PMO) sürece başlanabilir. Satış ile proje yönetimi tamamen farklı konulardır. Satış, müşterinin beklentisini tanımlar; proje yönetimi (PM) ise bu beklentiyi yukarıda bahsettiğimiz üç unsuru dikkate alarak gerçekleştirir. Birçok yerde yanlış şekilde rastlanıldığı gibi PM tasarım sürecini değil, uçtan uca tüm sürecin yönetiminden sorumlu olmalı (SCOR süreçlerinin tamamı) ve proje bünyesinde her fonksiyondan sorumluları barındıran bir yapıyı yönetmelidir. Küçük GM (Value Stream Manager) diyebileceğimiz bu rolün, işletme açısından hayati derecede önemi vardır. Bunu atlamayın…
  • Planlama konusu iyi yönetilmesi gereken bir diğer önemli konu. İşletme içi ya da dışı (fason) fark ermez, tüm kaynakların tek bir elden yönetilmesi gerekiyor. Çünkü, restoranda mutfak bir tane. En çok bağıranın değil planlanan işin yapılabilmesi, gerekli malzemelerin zamanında tedariği ve etkin fason yönetimi için merkezi bir planlama organizasyonu ve bu süreci destekleyen uygun yazılımlar mutlaka ama mutlaka gerekli. Mühendislik sürecinde oluşturulan ürün verilerinin yönetimi ve kaynak planlaması için PDM ve ERP artık olmazda olmaz unsurlar. Bu işin yazılımlar olmadan yapılabilmesi artık mümkün değil. Yazılımları maliyet olarak değil, sizi daha ileri taşıyacak bir kaldıraç olarak görün ve bu işe kaynak ayırın…
  • Tasarım süreci bu aşamada oldukça önem arz eden bir diğer önemli konu. Zira; tasarımda verilen kararlar neticesinde ürün ve tedarik zinciri kurgulanıyor. Unutmayın, üretim ya da tedarik süreçlerinde yaşanan sorunların kök sebeplerinin başında tasarım aşamasında yeterince düşünülmeden verilen kararlar yer almaktadır. Yanlış malzeme seçimi, aşırı ya da yetersiz fonksiyonalite, uygun olmayan proses seçimi, vb., gibi etkenler yol, su, elektrik olarak size mutlaka geri döner. Bu bağlamda eş zamanlı mühendislik ve DFMA konularının ele alınması son derece elzem. Zira, üretilebilirlik ve satılabilirlik konusunda sorun yaşamamak için tasarım sürecinde yavaş yavaş acele etmeli, kervanı yolda düzmek yerine terzi misali iki kere ölçüp, bir kez kesim yapılmalıdır.

Bu konuda çok şeyler yazılabilir. Özetlemek gerekirse; proje bazlı işletmeler artık konvansiyonel metotları bırakıp, yenilikçi üretim tekniklerini uygulamak zorundalar. Proje yönetim metodolojisi, tedarik zinciri yönetimi ve etkin ürün tasarım süreçleri olmadan rekabetçi olabilmek artık olanaksız. Stratejinizi bu yönde belirleyin, insan kaynağınızı eğitin ve teknolojik alt yapınıza yatırım yapın. Muhtaç olduğunuz bütçe, mevcut süreçlerinizin içindeki kayıplar içinde saklıdır.

Ancak bu sonuca ulaşabilmek için doğru stratejiyi kurgulamak gerekir. Strateji yapabilmek ya da ihtiyaçları tanımlayabilmek için ise öncelikle okumak, öğrenmek ve öğretmek zorundasınız. Unutmayın; bilgi olmadan ihtiyaçlar tanımlanamaz.

Yayım tarihi

AKILLI TARIM | Yeni İş Modelleri

Teknolojik gelişim (4.0) yeni iş alanları oluşturuyor, yeni iş modelleri ortaya çıkarıyor. Bugüne kadar genelde 4.0’ın imalat sanayi üzerindeki etkilerini konuştuk, ancak Tarım sektöründe de oldukça önemli fırsatlar olduğunu da dikkate almak gerekiyor. Girdi maliyetlerinin yükselmesi, su seviyelerindeki azalma gibi etkenler, aynen imalat sektöründe olduğu gibi Tarım alanında da verimlilik konusunu birinci öncelik yapıyor. Artık, her tarla bir fabrika gibi düşünülmek ve yönetilmek zorunda olacak gibi. Bu durum tarım proses parametrelerinin ve süreç yönetiminde teknolojinin çok daha fazla kullanılmasın zorunlu kılıyor.

  • Tarlanın doğru sürülmesi sürecin en başında düşünülmesi gereken unsur. Klasik yöntemle çiftçinin göz kararı sürme yolunu belirlemesi ekim alanında kayıplara neden oluyorken; bugün GPS kontrollü, otonom traktörler ile tarla sürümünde kayıplar neredeyse sıfıra inebiliyor. Örneğin; Klasik yöntemle bir tarlada 310 çizgi üzerinden sürüm yapılırken, GPS ile bu oran 320 lere çıkabiliyor. GPS, çizgiler arasındaki mesafenin her defasında aynı olmasını sağlayarak, mesafe kayıpların azalmasını ve tarlaya daha fazla tohum ekilebilmesine olanak sağlıyor. Bu oran hiç de azımsanmayacak derece…
  • Tarlaya tohum ekme sürecinde iki önemli konu mevcut. (1) Tohum atılacak bölgenin derinliği ve (2) doğru bölgeye yeteri miktarda tohumun bırakılması. Konvansiyonel yöntemle derinlik ve tohum sayısında standardı yakalayabilmek hemen hemen olanaksız iken (traktörün hızı, tarla sürümü esnasında derinlik ölçümünün olmaması gibi etkenler), şimdilerde bu konu yine teknoloji sayesinde standartlaştırılabiliyor. Derinlik sensörleri, traktörün hızına göre tohum bırakma hızının otomatik ayarlanması, tohum bırakıldığının kontrolü gibi uygulamalar artık teknoloji üzerinden yapılabiliyor ve tarladaki proses parametrelerinde standartlar sürecin en başında yakalanabiliyor.
  • Tarlaya gübre atma ve ilaçlama işlemleri verimi etkiyen ve maliyeti oldukça yüksek bir diğer önemli konu. Tarlaya standart oranda gübre/ilaçlama yapılması, yeterince olgunlaşmayan alanların belirlenip zamanında ilave gübre/ilaçlama ya da sulamanın yapılması için artık konvansiyonel yöntemler değil yeni teknoloji tabanlı çözümler uygulanıyor. DRONE üzerinden ilaçlama/gübre atma işlemleri yapılabiliyor; yine DRONE üzerinden çekilen resimler üzerinden tarladaki problemli yerler yapay zekâ uygulamaları (computer vision) ile analiz edilip, problemli alanlara zamanında müdahale edilerek verim artışı sağlanabiliyor.

Tarım sektörü, aynen imalat endüstrisinde olduğu gibi proses parametrelerini teknoloji üzerinden yönetmeye başlıyor. Her alanda standardın sağlanması (tarla çizgileri, derinlik, tohum bırakma; sulama, gübre ve ilaçlama, nem kontrolü, pompa/motor kontrolü vs..) için 4.0’ın nimetlerinden faydalanıyor. Tarım 4.0 olarak da tanımlayabileceğimiz bu evrede, önceleri biraz göz ardı ettiğimiz ‘Tarım Sektörü’ mevcut potansiyeli ile hem yeni iş alanları oluşturuyor hem de iş yapma modellerini değiştiriyor. Bir çiftçiye DRONE üzerinden elde edilen bilgiler ile tarlasının hangi alanının daha fazla sulanması ya da ilaçlanması gerektiği bilgisinin verilmesi ve bu işlemin de yine DRONE üzerinden yapılabilmesinin hem tarla verimliliğine hem de ülke ekonomisine katkısı yadsınamaz boyutlardadır. 

Yeni dönemde, özellikle genç girişimciler için birçok iş fırsatı var. Yapay zekâ ve IOT ‘nin girmeyeceği alan kalmayacak gibi. Tarım sektörü de içinde bulundurduğu devasa potansiyeli ile bu alanlardan biri. Bu konu üzerine araştırın, düşünün ve uygulamalar geliştirin derim, genç arkadaşlara. Zira, bu alanda pazar hazır ve çözümler bekliyor.

Yayım tarihi

Yapay Zeka (AI)

Bilimin özünde deney yani deneme yatar. Toeri’den kurama; kuramdan yasa ’ya geçebilmek için bilim dünyası sürekli olarak deney tasarlar, gözlem yapar ve öğrenir. Bu zamana kadar bu süreç hep bu şekilde olmuştur; ancak AI (yapay zekâ) bu metodu değiştirmeye çoktan başladı bile. Artık, deneyler çok daha hızlı, doğru ve en önemlisi algoritmalar üzerinden gerçekleşiyor…

AI sistemlerinin temel karakteristiği ‘öğrenme, adaptasyon ve yorumlama’ olarak tanımlanabilir. Bunu şöyle açıklayalım. Önceleri expert sistemler üzerinden bilgi alırdık. Look-up table dediğimiz, kısıtlı (poor data) ancak uzman bilgisine dayanan veri tablolarından elde edilen veri setleri üzerinde istatistik bilimi uygulamaları ve oldukça düşük işlem yeteneğine sahip işlemciler (low computing power) üzerinden analiz yapmaya, süreci anlamaya, yorum yapmaya, geleceği ön görmeye çalışırdık. Ancak şimdi AI ile bu konu farklı bir boyuta geçmiştir. Verilerden sadece geçmişi değil gelecekte ne olabileceğini ya da verilerin bilmediğimiz ancak bize faydası olacak başka neler içerdiğini öğrenebiliyoruz. Örneğin, AI sistemleri artık sadece bir masanın yanına sandalye konulması gerektiğini (Context) değil aynı zamanda masanın dört ayağı olduğunu, üzerine bir şeylerin konulabileceğini de yorumlayarak verinin amacı dışında farklı domainlerde de kullanılabilmesinin önünü açmaktadır (Abstraction).

AI sistemlerini genel olarak üç farklı konunun aynı amaç doğrultusunda bir araya gelmesi ile elde edilen; geçmişi açıklayan ve geleceği ön gören, insanların klasik yöntemlerle hem zaman hem de teknik açından elde edilebilmesi pek mümkün olmayan anlamlı bilgilere ulaşmasına ve kullanmasına olanak sağlayan sistemler bütünü olarak yapabiliriz. IoT ile gelen büyük veri geçmişin poor data kavramının sorunlarını ortadan kaldırırken; CPU/GPU alanındaki gelişmeler işlem yapma hızının (computing power) oldukça ötelere gitmesine olanak sağlayarak, algoritmalar üzerinden gerçekleşen öğrenme sürecinin (iterasyon) gerçekleşebilmesine olanak sağlamaktadır. Bir başka ifade ile şu dönemde AI konuşmamızın ana nedeni büyük veri, işlem hızı ve algoritma alanındaki muazzam gelişmelerdir.

AI sistemini çok genel olarak altı ana bileşen altında irdeleyebiliriz.

  1. Veri (Data): Sensorlar ya da diğer veri kaynaklarından gelen yapılandırılmış veya yapılandırılmamış veriler. Verilerin 90% si yapılandırılmamış kategoridedir. Ancak, AI uygulamalarında değer katan sonuçların 90% ‘ı hemen hemen 10% kısmı oluşturan yapılandırılmış verilerden elde edilir.
  2. Veri hazırlama (Data Preparation): AI sistemlerinde veri setleri aynen excel tabloları gibi satı ve sütunlardan oluşurlar. Veri analizinde vektör, matris ve tensorlerin kullanılması için bu düzen gereklidir. Ancak, aynı zamanda verilerin etkin/hızlı bir şekilde işlenebilmesi, matematiksel modelin doğru oluşturulabilmesi için veri setleri üzerinde hummalı çalışmaların yapılması gerekir (AI uygulamalarında en uzun zamanı bu aşama alır). Verilerin güvenilir, doğru olmasının yanı sıra veri boyutun azaltılması (PCA: Principle Component Analysis) konusu bu aşamada oldukça önemlidir. Zira, makine öğrenmesi süreci gerçekte bu aşamadan sonra başlar. Bu amaç doğrultusunda calculus ve istatistik bilimimin birçok teori ve kuramından faydalanılır. Örneğin; Covariance matrix, veri setleri arasında korelasyon olanları elimine ederek, aralarında ilişki olmayan veri setlerini dikkate alarak veri setinde boyut indirgemesi yapan bir tekniktir. Tabi bununla da iş bitmemektedir. Verilerin normalize edilmesi, outlier eliminasyonu, boş verilerin doldurulması, text verilerin rakamlara dönüştürülmesi gibi birçok şeyin bu aşamada yapılması gerekir. Zira işlem yapma hem maliyetli hem de uzun zaman alan süreçtir. AI sistemine ne girerseniz onu elde edersiniz (garbage in garbage out).
  3. Modelleme (Algorithms): Algoritmalar sürecin beynidir dersek yanılmayız. Intelligence ya da öğrenebilme süreci algoritmalar olmadan gerçekleşemez. Yapay Zekâ (AI) dediğimiz unsurun temelinde ‘deneme (iteration) & öğrenme (learning)’ unsuru yatar. Öğrenme yeteneği (Intelligence) yani birçok girdi verisi ile çıktı atasında matematiksel ilişki kurabilmek (veriyi modelleyebilmek), modellenen veri üzerinden tahminde bulunabilme yetisi AI’ın en temel karakteristiğidir (Machine Learning).  Bunun için AI’ın öncelikle verileri anlamlı bir fonksiyona dönüştürmesi (y= f {x1, x2…, xn}, AI is function aproximation); bu işi gerçekleştirebilmesi için de binlerce hatta bazen milyonlarca defa deneme (iterasyon) yapması gerekir. İterasyon yaparak, hata (error) fonksiyonunu minimize eden matematiksel modeli bulmak ve bulduğu model üzerinden tahmin gerçekleştirmek AI dan beklenen ana işlevdir. Algoritma alanında birçok yeni teknik/metot geliştirilmektedir. Ancak, Lineer cebir ve calculus bilmeden AI sistemleri için algoritma geliştirebilmek pek mümkün değildir. Bu konuda AI sistemlerine referans teşkil eden en eski algoritma perceptron learning algoritmasıdır (+backpropogation). Halen dahi neural networklerde kullanılan bu algoritma (Multi Layer Perceptron) ile support vector machine, random forest, KNN, Lineer Regression gibi birçok farklı algoritma yine farklı amaçlar için AI uygulamalarında kullanılmaktadır.
  4. Knowledge (Human & Machine Teaming). Elbette ki insan ve makine arasında temel farklılıklar vardır. Sürecin basit ve ölçeğin yüksek olması durumunda makineler avantajlı iken; kompleks ve düşük ölçekli süreçlerde insan faktörü halen en doğru çözümü sunabilmektedir. AI konusu Narrow AI ve General AI olarak iki kısımda incelenmektedir. Belirli bir amaç doğrultusunda tasarlanan (ses tanıma, görüntü tanıma, vs.,) AI sistemler narrow AI olarak tanımlanırlar. Tam otonomiye (full autonomy) olarak tanımlanan ki henüz tam mevcut değil general AI olarak tanımlanırlar. AI konusu yukarıda belirttiğimiz gibi binlerce girdi verisi ile çıktı verisi arasındaki ilişkiyi matematiksel olarak modellemek olarak da tanımlanabilir. Veri olmadan (doğru veri) AI sistemi sonuç üretemez. Bu aşamada insan/makine arasında iş bölümünün yapılması gerekir.
  5. Etkileşim (Interact with user). AI sistemleri ile verileri sınıflandırma (classification), gruplama (clustering), geleceği tahminleme (estimation/prediction), keşfetme (searching), optimizasyon ya da farklı çıkarımlar (inference) elde edebiliyoruz. Ancak, bilmek tek başına fayda sağlamıyor; bilgiyi kullanmak da gerekiyor. Etkileşim AI sistemlerinin ürettiği çıktının kullanıcılar tarafından kullanılması sürecidir.
  6. İşlem yeteneği (Computing Power). AI’ın gündemde olmasında işlem yapma hızının oldukça etkisi var. İterasyon süreci her ne kadar veri boyutu, algoritma yeteneğine bağlı olsa da işlem hızının da o denli önemi var. AI, desktop seviyesinde (CPU level) işlem hızı kısıtları nedeniyle sınırlı alanlarda yapılabiliyor. Google, Amazon, Facebook bir devler dil, görüntü, ses işleme, otonom sürüş gibi alanlarda çok güçlü ve hızlı farklı işlemciler (GPU level) kullanıyorlar. Ancak, yine de AI üzerinden istedikleri her şeye henüz ulaşamıyorlar ancak bu konuda çalışmalar üç yönlü yapılıyor: veriyi boyutunu küçültme, daha akıllı algoritmalar ve işlem hızı çok yüksek, daha düşük enerji gereksinimi olan, mevcuda göre çok daha güçlü süper bilgisayarlar. Fizik, kimya, biyoloji ve malzeme alanının ortak çalışmaları sonucu gelişecek olan Quantum Computing (super position) bu eksikliği dolduracak ve yakın bir zamanda bizi Quantum AI çağına itecek gibi duruyor…

AI konusu önümüzdeki yıllara damga vuracak gibi. Bu alanda çalışacak uzman veri bilimcilerine ve yapay zekâ mühendislerine olan gereksinim daha da artacak gibi duruyor. Genç arkadaşlara bu konuyu dikkate almalarını öneririm.

Yayım tarihi

Machine Learning

Üretim Endüstrisinde dijitalleşme çalışmaları olanca hızı ile devam ediyor. Artık, IoT üzerinden veri üretebiliyor, üretilen verileri CPS (Cyber Physical Systems) üzerinden taşıyor ve büyük veriyi (Big Data) elde edebiliyoruz. Bu konuda birçok işletmenin önemli mesafeler aldığını sahada gözlemliyoruz. Bu aşamaya gelebilmek oldukça önemli, ancak asıl mesele buradan sonra başlıyor: Büyük veri içinden anlamlı sonuç çıkarabilmek. Yalın felsefede de olduğu gibi ‘ölç-kayıt altına al- analiz et – aksiyona geç’ sürecini işletebilmek için Dijital Dönüşüm sürecinde de büyük veriyi analiz etmeye; bunun içinde makine öğrenmesi (machine learning) konusuna odaklanmaya ihtiyacımız var.

Yapay zekâ (AI), makine öğrenmesi (ML) ve derin öğrenme (DL) konuları bu anlamda üzerine düşünmemiz gereken konuların başında geliyor. AI, tüm bu kavramların en üstünde yer alarak insan gibi düşünen ve hareket eden makineler/sistemler oluşturmayı amaç edinen mühendislik bilimidir. ML ise AI’ın alt dalıdır. Sistemlerin ya da makinelerin programlama yapmadan, geçmiş deneyimlerden ya da verilerden öğrenebilmesine olanak sağlar. İstatistik bilimi ve ileri seviye bilişim teknolojileri aracılığı ile verilerden bir fonksiyon üretmeye; üretilen fonksiyon aracılığı ile de geleceği tahminleme ilkesine dayanır. DL ise ML’in bir alt dalı olarak yapay sinir ağları üzerinden, makinelerin insan beynine yakınsama yapılarak düşünebilmesi üzerine çalışır.

Kobi seviyesine baktığımızda AI konusu kolayca ele alınabilecek bir konu değildir. Oldukça önemli uzmanlık, yüksek bilişim yetkinliği ve son derece büyük-büyük veri gerektirir. DL de benzer şekilde çok büyük-büyük veri gerektirir. ML ise nispeten işletme seviyesinde çok daha kısıtlı bilişim teknolojileri ve yeteri kadar büyük veri kullanılarak uygulanabilen bir kavram olduğu için işletmelerin öncelikli olarak ML ya da ‘veri bilimi’ konusunda kendilerini geliştirmelerinde yarar olduğu kanısındayım.

ML, bahsedildiği üzere geçmiş verilerden öğrenme ilkesine dayanır. Daha önceleri sistemlere ‘program ve veri’ ikilisini verir çıktı elde ederdik. Yani, sistem yaptığımız programa göre çıktı üretirdi. ML ‘de ise, sisteme önce geçmiş veri (Xs: Data) ve çıktıları (Ys: Label) eş zamanlı veriyor ve sistemin bu iki bilgi doğrultusunda bir model (program) üretmesini; üretilen modeli gerçek veri üzerinde kullanarak yeni verinin çıktısını (output) tahminlemeye çalışmak ML’in özünü temsil eder. İstatistik bilimi, yüksek matematik ve algoritmaların bilişim gücü ile birleştirilmesi sonucunda bunun bugün elde edebiliyoruz.

Veri kavramı giderek daha da önemli stratejik rekabet aracı olmaya başlıyor. Hemen her iş alanında ya da disiplinde veri manipülasyonu yapmadan karar alabilmek neredeyse olanaksız hale geliyor. Sağlıktan finansa, üretimden hizmet sektörüne kadar her alanda veriler üzerinden kararlar alınıyor ve veri bilimi/veri mühendisliği giderek artan oranlarda talep görmeye başlıyor. Yakın bir zamanda hemen her işletmede veri bilimi mühendisi göreceğimizi belirtmek sanıyorum yanlış olmaz.

Veri bilimi, ‘Domain, Computer Science, Statistics’ alanlarında uzmanlaşmayı gerektiriyor. Bugün, yurtdışında birçok üniversitede bazı istatistik, matematik bölümleri yapay zekâ mühendisliğine dönüşüyor, bilgisayar bölümlerindeki ders programlarına kapsamlı/güncel ML müfredatı ekleniyor. Ülkemizde de yapay zekâ mühendisliği bölümlerinin bazı üniversitelerde açıldığını gözlemliyoruz. Bu bölümlerin artması ve hatta belki de tüm mühendislik bölümlerinde ML_101 dersinin okutulması kanımca artık bir gereksinim.

Kısaca; ML, karar verme süreçlerinde acizliğimizi ortadan kaldırıyor. Gelecek, ML ve AI üzerine şekilleniyor ve bizim de geleceği kaçırmamak için bu konularda çalışacak, geleceği şekillendirecek veri bilimi mühendislerine çok fazla ihtiyacımız olacak gibi görünüyor.

#The purpose of computation is insight, not numbers (R. Hamming).

Yayım tarihi

Strateji ve Dijital Dönüşüm

Dijital Dönüşüm çalışmaları birçok alanda devam ediyor. Oldukça başarılı uygulamalar yanında hiç de azımsanmayacak derecede başarısız sonuçlar da gözlemliyoruz. Bu sonucun altında birçok etken olabilir, ancak genel tabir ile ‘stratejik planlama’ hatalarının başarısızlığa neden olduğunu belirtebiliriz sanıyorum.

İyi bir stratejik planlama, dijitalleşmenin neden gerekli olduğunu (why), işletmenin dijitalleşme eforunu öncelikle nereye ayıracağını (where), bu eforun sonuç vermesi için hangi imkân ve yetkinliklere sahip olunmasının gerektiğini (what) ve sürecin başarıya ulaşması için gereken örgütsel modelin nasıl olması (how) gerektiğini tanımlar (3w1h). Bu tanım, aslında problem çözme sürecinde kullandığımız PPS (practical problem solving) yöntemi ile benzerlik gösterir. Problemin parçalara ayrıştırılması, kök nedenlerin bulunması, karşı önlemlerin geliştirilmesi ve aksiyonların sahada uygulanması. Küçük ancak doğru adımlarla ilerlemek (step-wise approach), çok fazla iyi şeyi aynı anda yapmak yerine bir konuda etkin sonuç almaya odaklanmak (value from simple things) ve sürecin genelinde sadece IT’nin değil tüm organizasyonun desteğini almak (collective ability) oldukça önemlidir. Zira, Dijital Dönüşüm başlangıcı ve sonu olan bir IT projesi değildir! Teknolojinin süreçlere uyarlanmasından öte örgütsel iş yapma modellerinin değişmesine neden olan, kurum genelinde herkesin dahil olmasını gerektiren ve sonu olmayan bir süreçtir (Transformation: Never ending journey).

Endüstriyel ekonomiden Dijital ekonomiye yöneliş bilenen imalat paradigmalarını değiştiriyor. Bu değişim işletmeleri genel olarak dört ana konuda motive ediyor:

  1. Çevik Ürün Geliştirme (Technology Supported Product Development): Ürün geliştirme süreçlerinde (product domain) entegrasyon (CAx/PDM), Digital Twin, AI, Cloud ve 3D printing konuları bu alana yönelen işletmelerin odaklandığı temel teknolojilerdir.
  2. Verimli Üretim Yönetimi (Smart Factory). Dikey entegrasyon üzerinden elde edilen (CPS) ve özellikle bakım/kalite süreçlerinin iyileştirilmesi amacıyla kullanılan AI, IIoT, AR gibi konular bu alana yönelen işletmelerin odaklandığı temel teknolojilerdir.
  3. Akıllı ve bağlı ürün (Complex and Connected Products). Ürünü servise dönüştüren, üründen yaşam boyu gelir elde etmeye olanak sağlayan, üretici ile tüketici arasındaki mesafeyi kaldıran IoT, Cloud ve AI uygulamaları bu alana yönelen işletmelerin odaklandığı temel teknolojilerdir.
  4. Entegre tedarik zinciri (Integrated Value Chain). Akıllı ve Bağlı ürün üretmeseler dahi imalat süreçlerini tedarikçi/müşteri süreçlerine entegre ederek tedarik zincirinde etkinliği yatay entegrasyon üzerinden sağlamak amacıyla Cloud, CPS, AI, IoT gibi konular bu alana yönelen işletmelerin odaklandığı temel teknolojilerdir.

Dönüşüm kaçınılmaz, ancak adım adım gitmek gerekiyor. Her işletmenin önceliği ya da yetkinliği birbirinden farklı. Makine imal eden bir işletme için hızlı ürün geliştirme daha öncelikli iken, ilaç endüstrisinde kalite, FMCG de ise tedarik zinciri yönetimi daha öncelik arz edebiliyor. Bu açıdan ‘digitization – digitalization – digital transformation’ adımlarına stratejik açıdan bakmak ve doğru yerden başlamak gerekiyor.

Yayım tarihi

Değişim ve Entegrasyon |

Yazılımlar bizi kendi ağlarına çekiyor. Verinin stratejik silaha dönüşmesi, akıllı nesnelerden toplanan küçük verilerin toplamdaki büyük etkisi entegrasyon konusunun önemini giderek artırıyor. Bilgiyi üreten, toplayan, saklayan, analiz eden, paylaşan ve kullanan üstün ateş gücü elde ediyor. İşte bu aşamada karşımıza tüm bu amaçların gerçekleştirilmesine olanak sağlayan yeni bir yapı çıkıyor: Bilgi çağının son sürüm/güncel işletim sistemi: CPS (Cyber Physical System).

CPS, OT (Operations Technology) ile IT (Information Technology) entegrasyonu ile elde edilen dikey entegrasyon olarak da tanımlanır.

CPS yapısı daha önceleri silo şeklinde ayrık çalışan; motivasyonları, hedefleri ve öncelikleri farklı disiplinlerin iş birliği içinde çalışmasını gerektiriyor. IT mühendisleri (security, privacy) ile Endüstriyel Otomasyon mühendislerinin (up-time, safety) kendi alanları dışına çıkmalarını, farklı alanlardaki problemlere çözüm üretmelerini gerektiriyor. Yeni dönem sadece makine ve sistemlerin değil aynı zamanda farklı departmanların da entegrasyonunu zorunlu kılıyor. Makineleri entegre etmek ya da değişimin teknik boyutunu gerçekleştirmek bir şekilde yapılabiliyor, ancak insanları yeni sisteme entegre etmek, yani değişimin sosyal boyutu her zaman kolay olmuyor.

Yayım tarihi

Operasyonel Mükemmellik Sertifika Programı

Internet, IoT, CPS ve Big Data üzerinden tanımladığımız gelişim süreci bizi Akıllı Fabrikalar üzerinden Akıllı Ürünler geliştiremeyenlerin içinde yer alamayacağı, iş modellerin bambaşka boyutlara geleceği, entegrasyon ve adaptasyonun ana ilke olduğu yeni ve zorlu bir sistem dönemine çekiyor: Big Data Driven Smart Manufacturing.

İmalat Sanayisi olarak bunu başarabilmek için ‘Yalın, Çevik ve Altı Sigma’ prensiplerini, Endüstri 4.0 teknolojileri ile birleştirip, Akıllı Fabrikalar kurmamız; bunun içinde bilgi seviyesi yüksek iş gücüne sahip olmamız gereklidir.

Bu program, işletmelerin ‘Dijital Çağda’ rekabetçi olabilmeleri için gerekli olan araç ve metotları, işletmeleri geleceğe taşıyacak genç mühendis ve yöneticilere aktarmak üzere tasarlanmıştır.

Programa detayı ve ön-kayıt için linke tıklayınız.

Yayım tarihi

Dijital Tabanlı Yalın Dönüşüm

İmalatta Ford dönemiyle seri üretimi; Toyota ile seri üretimi verimi yapmayı öğrendik. Şimdilerde kişiselleştirilmiş ürünleri hem seri hem de verimli üretmek üzerine teoriler geliştiriyor, uygulamaya çalışıyoruz. Dijital tabanlı yalın dönüşüm (DBLT: Digital Based Lean Transformation) konsepti de bu teorilerden biri. Yalın felsefe üzerine dijital teknolojilerin bindirilmesi ile elde edilen bu teoride, belki kavramların adı değişiyor ancak işin felsefesi değişmiyor.

Yalın felsefenin özünde beş temel unsur yatar: Değer (Value), Değer Zinciri (Value Stream) Akış (Flow), Çekme (Pull) ve Mükemmellik (Perfection). Akıllı Fabrikalara ulaşmamıza imkân veren DBLT ‘in temelinde de aslında bu beş temel unsur vardır.

Şekil 1: Dijital Tabanlı Yalın Dönüşüm

  • Değer (Value)  Bilgi (Information):Yalın felsefenin özünde değerin anlaşılması, kayıplara karşı sürekli mücadele etmek yatar. Değer, ‘ürünün şekline, rengine fonksiyonuna ya da kalitesine etki eden ve müşterinin parasını ödemeye rıza gösterdiği faaliyetlerin toplamını teşkil eder. DBLT ‘de bunun karşılığı büyük veriden elde edilen anlamlı sonuç, yani bilgidir.
  • Değer Zinciri (Value Stream)  Bağlantı (Connected Network): Tedarikçiden müşteriye kadar tüm süreçlerde kayıpların kaldırılması Yalın Üretimin ana temalarından biridir. DBLT ‘de bu amaç doğrultusunda uçtan uca bağlantı yatay entegrasyon üzerinde sağlanır. Tedarikçi – üretici – müşteri aynı platformda birbirleri ile bağlı şekilde değer zincirini oluştururlar.
  • Akış (Flow)  Çalışabilirlik (Inter-operability): Akış yalın üretimin esasını teşkil eder. Malzeme ve bilginin (MIFA: Material and Information Flow) suyun nehirde aktığı gibi akması ana gayedir. DBLT ‘de değer, anlamlı bilgi, CPS (Cyber Physical Systems) üzerinden akar. OT ile IT entegrasyonun sağlanmasından elde edilen CPS DBLT ‘de iletişimin omurgasıdır. Ana işlevi farklı yerlerden gelen, değişik formattaki veri setlerinin ana omurga dışına çıkmadan farklı katmanlardaki sistemler arasında iletilebilmesine, anlaşılabilmesine (inter-operability) olanak sağlamaktır.
  • Çekme (Pull)  Karar verme (Decision making): Çekme sistemi aşırı üretimi engelleyen, kayıpları azaltan temel yalın prensibidir. Talep oldukça üretmeye dayanan bu prensibin temelinde bir sonraki süreçten gelen bilgi yer alır. Tetikleyici unsur bir sonraki prosesin verdiği karar sonucu ortaya çıkan bilgidir. Çekme sisteminde; bilgi gelir, malzeme ilerler. DBLT ‘de bunun karşılığı akıllı sistemlerin kendi kendine aldığı kararlardır. Akıllı nesneler/sistemler, IoT ve büyük veri analitiği üzerinden (yapay zekâ, makine öğrenmesi) ne zaman neye ihtiyacını olduğuna kendisi karar verir, talebini iletir ve karşılığını da hemen alır.
  • Mükemmellik (Perfection)  Adaptasyon (Adaptation): Yalının bu son prensibinin DBLT ‘de karşılığı adaptasyondur. Ön görülemeyen değişime hızlı adapte olabilme yeteneği olarak da tanımlanabilen bu prensibin esasını hız ve esneklik, yani yalın ve çeviklik üzerine bindirilen teknolojiler teşkil eder. Endüstri 4.0 ‘ın temel ekonomik potansiyeli etki-tepki sürecini hızlandırmasıdır. IoT ile sahanın her yerinden veri alınması çözünürlüğü, analitik büyük veriden anlamlı bilgi edinilme sürecini iyileştirir. Bu akış daha önce de oluyordu. Aradaki en önemli fark bu sürecin şimdi gerçek zamanlı olması.

DBLT ‘nin özünde de yalın/çevik felsefeyle örtüşen aynı unsurlar var: Verimlilik, hız, kalite. Dediğimiz gibi amaç değişmiyor; yöntem değişiyor. İşin içine teknoloji giriyor.

Yayım tarihi

Kültürel Dönüşüm

Değişim ya da dönüşüm kavramları şu aralar en sık duyulan kelimelerin başında geliyor. Hemen her işletme değişmek, dönüşmek istiyor; bu anlamda çaba sarf ediyor ancak çok az başarı hikayesi duyuyoruz. Gerçek maalesef ki bu; başarı oranımız ciddi anlamda düşük.

Peki, acaba nerede hata yapıyoruz? Neden, bazıları değişirken biz değişemiyoruz?

Bu konu ile ilgili herkesin farklı görüşü olabilir. Kimileri teknolojik alt yapı eksiğini, yetkin insan kaynağı olmamasını değişim karşısındaki en büyük engel olarak görürken; kimileri bütçe, strateji alanlardaki eksikliklerin değişimin gerçekleşmesine engel olduğunu savunabilir.  Bunlar doğrudur. İşin teknik boyutu bu şekilde tanımlanabilir. Ancak, teknik boyut sosyal boyut olmadan tek başına işe yaramaz. İşletmede yeni bir robot kurmak, akışı değiştirmek belki haftalar sürer; ancak insanların davranışlarını, alışkanlıklarını ve düşüncelerini değiştirebilmek bazen yıllar alır. Gerçek değişimi, yani kontrol ya da zorlama olmadan, yeninin uygulanmasını istiyorsak, öncelikle insanların değişimi satın alması gerekmez mi? İnsanların sahiplenmediği bir düşünce varlığını ne kadar devam ettirebilir? O halde; başarısızlığımızın asıl nedeni ‘değişimi tek boyut üzerinden gerçekleştirmeye çalışmak’ olabilir mi? Belki…

Değişimin itici unsurlarının başında teknolojik gelişmeler geliyor. Gelişimin logaritmik artış göstermesi, bilginin üretim/tüketim hızının haftalar mertebesine inmesi, imalat teolojilerinde/metotlarında SIR diye bir kavramın kalmaması istisnasız olarak her şeyin dinamik olmasını zorunlu kılıyor. Dinamik olmak yani sürekli güncel kalmak, en son geçerli sürüm ile süreçleri yönetmek imalat işletmeleri için olmazsa olmaz bir unsur. Artık ilk olmak yeterli gelmiyor; rekabet edilen alanda en güncel, en geçerli teknolojileri ve sistemleri kullanmak; güncel bilgiyi öğrenen ve kullanan insanlar yetiştiren insan kaynakları politikalarına sahip olmak, sanıyorum ki işletmelerin en öncelikle düşünmesi gereken konuların başında geliyor.

Çok şey söylenebilir bu konuda ancak konuyu özetlemek gerekirse: ‘Öğrenmek/öğretmek ve uygulamak’ ya da bir başka ifade ile ‘öğrenen organizasyon olabilmek’ konusunu heybemize almamız gerekiyor. Hatalardan ders almak, alınan dersleri hem mevcut hem de yeni kuşaklara aktaracak sistemler kurmak, bunun içinde teknik ve sosyal boyutun bir arada ele alındığı ‘kültürel dönüşüme’ girmek gerekiyor gibi sanki…

Kültürel dönüşüm tek bir mucizevi hareket ile gerçekleşmez. Tek bir devrim değil – felsefesi olan küçük küçük evrimler ve stratejiye dayanan doğru eylemler ile dönüşümün kalıcı olması sağlanabilir. Aksi halde, tükenmez kalem yayı gibi elinizi çektiğinize aynı noktaya geri gelirsiniz. Doğru felsefe ve stratejiyi kurgulamak için malzeme biliminin temellerinden faydalanabiliriz kanısındayım.

Dönüşümün Felsefesi

Malzeme bilimciler iyi bilirler kristal yapılarda bile mükemmellik olmadığını. Bir kristal kafes yapıda ortalama her 10.000 noktadan biri boştur (100 ppm); yani olması gereken yerde / noktada atom yoktur. Bu durum her ne kadar kusur olarak tanımlansa dahi gerçekte teknolojinin bu seviyeye gelmesinde bu kusurların etkisi yadsınamaz. Eğer bu kusurlar olmasaydı istenilen özelliklerde yeni malzeme tasarımlarının yapılabilmesi olanaklı olamazdı. Bugün kullandığımız yarı iletken ya da entegre devre/ yonga teknolojilerinin gelişmesi veya daha sert, dayanımı yüksek ve hafif malzemelerin elde edilebilmesinin altındaki en temel etken kristal yapılarda bulunan atomsal seviyedeki bu kusurlardır. Malzeme tasarımcılar bu kusurlara atomsal ölçekte müdahale ederek (yabancı atomlar ilave ederek), farklı özelliklerde malzemeler tasarlayabilmekte ve bu sayede teknolojik gelişmenin ivmesini artırarak mükemmelliğe daha da yakınlaşmamıza önayak olmaktadırlar.

İmalat süreçlerimizde de aynen kristal yapılarda olduğu gibi birçok kusur mevcuttur. Süreçler arasındaki zayıf bağlar, amorf organizasyonlar ve bu kusurlar sonucunda ortaya çıkan iletişim, verim, kalite sorunları bunlara örnek gösterilebilir.

Bu aşamada, imalattaki MEGA süreçlerde operasyonel mükemmelliği elde edebilmek için malzeme biliminden feyz alınabilir. Kusurları bir fırsat olarak görüp, aynen malzeme tasarımcılarının yaptığı gibi atomsal ölçekte yani en aşağıdan yukarı doğru (NANO ölçekte) süreçleri düzenlemeye/tasarlamaya, bunu yaparken de yavaş yavaş acele etmeye ihtiyacımız var. Ancak bu sayede daha sağlam, sıkı yapılar/süreçler elde edebilir ve dönüşümü/değişimi daha sağlıklı yönetebiliriz. Aksi halde, sağlam olmayan tuğladan, güvenli bina çıkmayacağı gibi en alt süreçlerdeki kusurları ortadan kaldırmadan da büyük yapıyı değiştiremeyiz. Burası, kültürel dönüşümün felsefi boyutudur.

Dönüşüm Fazları

Malzeme bilimde ‘İşlem (Process) – Yapı (Structure) – Özellik (Properties) – Fonksiyon (Function)’ ilişkisi vardır. Yani, bir malzemenin fonksiyonunu değiştirmek için özelliğini, özelliğini değiştirmek için yapısını ve yapısını değiştirmek için de üzerine uygulanan işlemin değiştirilmesi gerekir. Örneğin, grafit elementini çok yüksek basınç altında, uzun süre tutarsanız elmasa dönüşür. Benzer şekilde çeliği sertleştirmek için de ısıl işlem sürecini kullanırız. Yani, işlem (Process) konusu değişimin ana unsurlarından biridir.

İşletmelerde de durum aslında buna çok benzer. Değişim sonucunda istenilen fonksiyonun elde edebilmesi için özelliğin; özelliğin değişimi için yapının, yapının değişimi için de doğru süreç/işlem modelinin kurgulanması gereklidir. Eğer, doğru işlem/süreç kurgusunu kurgulamadan yapıyı ve özelliği değiştirmeye başlarsanız, dönüşüm de istenilen fonksiyonunun elde edilebilmesi olanak dışıdır.

İşte bu aşamada stratejik planlama ve yetkinlik konusunun önemi ortaya çıkıyor. Başarıyı tesadüfe bırakmayıp şansı planlamak olarak da tanımlayabileceğimiz stratejik planlama evresinde, dönüşüm için gereken süreç/işlem kurgusu ne derece doğru yapılırsa dönüşüm adımları da o denli sağlıklı olarak ilerler. Unutmamak gerekir ki, çelik, demirin (Fe) yeteri derecede ısıtılması (preparation for change), içerisine karbon atomların (C) eklenmesi (integration) ve gerekli faz dönüşümlerinin gerçekleşmesi (transformation) sonucunda elde edilir (standardization). Çelik ya da çelik gibi işletmeler elde etmek için malzeme bilimi bize yol gösteriyor.

Yayım tarihi

Yeni Nesil Öğrenme: LMS (Learning Management System)

Eğitim hep önemli deriz, ancak pek azımız bu ağır cümlenin gereğini yerine getiririz. Eğitim için birçok yerde zaman yoktur, bütçe yoktur…

Meşhur bir hikâye vardır, eğitim ile ilgili. Yeri gelmişken bahsetmezsek olmaz. Oldukça büyük bir firmanın finans direktörü, genel müdüre sorar: ‘Sayın genel müdürüm; bunca insana, tonla para verip eğitim aldırıyoruz. Ya, bu insanlar işi bırakırlarsa, ne yaparız?’. Genel müdürün cevabı oldukça ibretliktir:’ Sayın direktörüm; ya bu insanlara eğitim vermez ve bu kişiler işlerini yapmaya devam ederelerse, ne yaparız?’, olur.

İş yerlerinde eğitim birimleri görüyoruz; Akademi altında. Akademi, Platon’dan bu yana kullanılan bir terim, ancak bazen içi o kadar boş ki! Eğitim planlaması denilen kavram excel tablolarından öteye geçmiyor. İşletme çalışanları için gerekli olan zorunlu eğitimler bile, sadece verilmiş olmak için yapılıyor maalesef.

Burada bir tanımı iyi yapmak gerekiyor. Liderin görevi nedir? Bununla ilgili birçok süslü tanım duyabiliriz. Bir tane de ben söyleyeyim. Liderin görevi, kedine bağlı kadroyu geliştirmek, eğitmektir. Öğretmen lider denilen kavram tam da bu anlama geliyor. İyi eğitim almış, görmüş/geçirmiş bir lider; işi gücü bırakır, ekibinin işleri daha doğru, hızlı ve verimli yapması için kafa yorar.

Öğrenme ve eğitim süreçlerinde yeni bir döneme giriyoruz. Bilgi çağının gerekliliği olan yeniyi, hızlı öğrenebilmek ve büyük veri döneminin gerekliliği olan öğrenileni süratle uygulayabilmek rekabette fark oluşturan en önemli unsurların başında geliyor. Bunun fakında olan birçok işletme/organizasyon yeni dönemin gerekliliklerine göre süreçlerini güncelliyor, yeni öğreti modelleri üzerinden en değerli varlıları yani insanlarının eğitim ve gelişimi için farklı yöntemler geliştiriyor. Bunlardan biri de LMS (Learning Management System) denilen eğitim yönetim sistemleri. Henüz Kobilerimizin birçoğu LMS (yeni öğrenim modeli) ile tanışmamış olsa dahi LMS’ lerin giderek yaygınlaşmaya başlaması yeni bir dönemin başlangıcı gibi. Zaman ve mekân sorunlarını ortadan kaldırması, toplu / hızlı öğrenme sürecine oldukça büyük katkı yapması ve en önemlisi öğrenmek isteyene sınırsız imkanlar sunması, bence LMS’ lerin en önemli özelliği. Yakın bir zamanda ERP, MES gibi LMS ‘ler de işletmeler için vazgeçilemez bir modül olacağa benziyor; özellikle insana yatırımın en önemli gereksinim olduğu dijital dönüşüm süreçlerinde.

***

LeanOfis Akademi | Bireysel (https://lnkd.in/ge6miyP ) ya da kurumsal kayıt için bizi arayabilirsiniz.

Yayım tarihi

Üretimin Yeni Eko-Sistemi

Bilgi teknolojilerinde yaşanan daha önceki değişimler değer zinciri yapısının değişmesine neden olurken; şu an yaşadığımız değişim, yani IoT, bizati ürünü dönüştürüyor, yeni rekabet dönemini veri yönetimi üzerine kurguluyor. İmalat endüstrisi de bu değişime ayak uydurabilmek için epey çaba sarf ediyor. SCP ‘lerin oluşturduğu yeni eko-sistemin bir parçası olabilmek ve varlığını devam ettirebilmek için yeni sisteme uyum sağlayacak kendi akıllı sistemini kurmak zorunda.

İşletme yönetimi, fırtınalı havada gemi yönetmeye benzer. Doğru kararların, hızlı bir şekilde alınabilmesi için birçok yerden gelen verinin değerlendirilmesine gereksinim vardır. Ancak, sürekli ve öngörülemez değişimin ortaya çıkardığı karmaşıklık, işletmeleri bu aşamada zorlamaktadır. Bu durum, iş ve performans kayıplarına neden olarak işletmelerin rekabet gücünü zayıflatmaktadır. Literatürde birçok çalışmada, ön görülemeyen belirsizliği yönetebilmek ve değişime hızlı adapte olabilmek için çevikliğin önemi vurgulanmıştır.

Çevikliğinin özünde, “Algı – Analiz – Karar verme – Aksiyona geçme” adımlarından oluşan etki/tepki çevirimini olabildiğince kısaltarak, karar verme sürecini hızlandırmak yatar. Bunun için süreçler arasında entegrasyona, sanal iletişim ağlarına ve etkin bilgi yönetim sistemine gereksinim vardır. Bugün,Endüstri 4.0 teknolojileri ile etki/tepki çevrimini hızlandırarak, doğru kararların, hızlı bir şekilde alınmasına katkı sağlayabiliyor; işletmelerin karar verme ve adaptasyon süreçlerini hızlandırarak çevik olabilmelerinin önünü açabiliyoruz. Bu bağlamda, Endüstri 4.0’ı çevik stratejilerin dijital konsept üzerinde kurgulanması ve yönetilmesi konsepti; en önemli getirisinin ise etkin bilgi yönetimi sürecinden gelen etki/tepki zamanını kısaltması olduğu belirtilebilir.

Çevik stratejileri uygulayabilmek için bilginin ilk üretildiği yerden, gerçek zamanlı ve doğru olarak, ilgili fonksiyonlar arasında paylaşılması; bunun için de CPS olarak tanımlanan IT ve OT teknolojilerinin entegrasyonu ile elde edilen temel iletişim ağının kurulması (Business segment / Product Segment / Manufacturing Segment), özellikle dijital dönüşüm sürecine girmek isteyen firmalar için son derece önemlidir.

Akıllı fabrikaların en önemli karakteristiği, tüm sistem bileşenlerinin birbirlerine bağlanarak (connected) iletişim kurabilmesi (Inter-operability) ve her bileşenin duruma göre kendi özerk kararını alabilmesi (De-centralized decision making) sonucunda ortaya çıkan, ön görülemeyen etkiye hızlı tepki verebilme yeteneğidir. SCP’ ler tarafından üretilen verilerin, CPS üzerinden taşınması sonucunda büyük veriye ulaşıyor; analitik sayesinde büyük veriden anlamlı sonuçlar çıkarabiliyoruz (data – information – knowledge).

CPS ‘ler sadece fabrika içindeki iletişime değil, aynı zamanda başka akıllı sistemler ile de iletişime geçebilmesine olanak sağlıyor. Eş zamanlı mühendislik çalışmaları ya da stratejik iş birliği için tedarikçi sistemlerine; müşteri davranışını/ürün performansını izleyebilmek için müşteri sistemlerine ya da trafik/hava durumu sistemleri gibi diğer akıllı sistemlere de bağlanabilmenize, iletişim kurabilmenize olanak sağlıyor. CPS sayesinde her yerden veri alabiliyor, alınan verileri birbiri ile ilişkilendiriyor ve daha doğru kararları, hızlıca alabiliyoruz. Pazar ne istiyor, siparişim nerede, hava durumu tedarik zincirimi etkileyecek mi, gibi hayati öneme sahip bilgileri ancak akıllı sistemlerimiz var ise elde edebiliyoruz. Çevikliğe ulaştıran yeni eko-sistem ‘akıl’ üzerine kuruluyor ve sürekli büyüyor. Bu durum sanıyorum aynı zamanda akıllı ürün yapmayan işletmelerin bile neden akıllı üretim sistemlerine sahip olmaları gerektiğini açıklıyor.

Yayım tarihi

Kültürel Dönüşümde Bilginin Rolü

Giderek daha da küreselleşen Dünya’da üretici ve tüketiciler arasındaki dengeler hızla değişmektedir. Eskiden; hangi ürünün üretileceği, ürün özelliklerinin ve fiyatının ne olacağı gibi konularda üreticiler söz sahibi iken bugün bu durum, eğer son derece özel ve başka bir yerde bulunmayan bir ürün üretmiyorsanız tamamı ile müşterinin kontrolüne girmiştir. Bu durumun doğal bir sonucu olarak da pazar dinamikleri tamamen farklı bir boyut kazanmıştır.

  • Pazar ve müşteri beklentileri teknoloji, küreselleşme ve sosyo-kültürel etkiler gibi nedenlerden dolayı inanılmaz bir hız ile değişmektedir.
    • Müşteriler her geçen gün daha fazla kişiselleştirilmiş ürünler istemekte, bunun sonucunda ürün çeşitliliği artmakta ve ürün hayat süreleri kısalmaktadır.
    • Fiyat faktörü, tercih etme sürecinde tek başına yeterli olamamakta, tedarik zinciri süreçlerinde hız ve esneklik yetisi bir firma için hayatı derecede önem ihtiva etmektedir.
    • Günümüzde firmalar değil, tedarik zincirleri rekabet etmektedir.
    • Bu değişkenlikler karşısında tek bir üretim stratejisinin her alana uyarlanması mümkün olamamaktadır.

Bütün bu etkenler tedarik zinciri stratejilerinin statik yapısının yerini dinamik olmaya doğru itmektedir. Yalın ve çevik üretim stratejileri üzerine bir çok akademisyen, uygulamacı araştırmalar yapmış ve tedarik zinciri stratejilerinde tek bir modelin, her beklentiye cevap veremeyeceği, pazarda değişkenliği kararlı, fonksiyonel ürünlerin fiyat kriteri ile sipariş kazandığı ancak değişkenliği az olan inovatif ürünlerin ise pazara hızlı girilebilmesi durumunda sipariş kazanma şanslarının olduğu ve hibrid model olarak adlandırılan “yalın ve çevik (Leagile: Hibrid)” stratejilerin birlikte uygulanabilir olmasının bir işletme için en ideal model olduğu görüşü hakim olmuştur.

Sürekli değişim, işletmeleri önce yalın olmaya, şimdilerde ise hem yalın hem de çevik olmaya zorluyor. Bilginin petrol değerinde olduğu günümüz dünyasında, büyük veriden anlamlı bilgi türetmek ve bunu yaparken de hızlı/verimli ve aynı zamanda da kaliteli olmak en önemli rekabet unsuru. Bunu başarabilmek için ‘Yalın, Çevik ve Altı Sigma prensiplerini’, ‘Endüstri 4.0 teknolojileri’ ile birleştirip, Akıllı Fabrikalar kurmamız; bunun içinde bilgi seviyesi yüksek iş gücüne sahip olmamız gereklidir.

Dijitalleşme kapsamında; Endüstri 4.0, Akıllı Fabrika (Smart Factory), Nesnelerin İnterneti (IoT) gibi kavramlar hemen her yerde gündem belirlemeye devam ediyor. Dünya sınıfı üreticiler (World Class Manufacturer) önce atölye düzeninden (2.0), fabrika (3.0) seviyesine geçtiler. Günümüzde ise rekabetin başka bir boyut alacağı yeni döneme ayak uydurmak için olanca güçleriyle, endüstri çağından, insan – makine ve diğer kaynaklarının birbirleriyle, kompleks ağlar üzerinden etkileşimli/işbirlikçi bir modelde çalışabildiği dijital çağ seviyesine (akıllı fabrika, endüstri 4.0) geçmeye çalışıyorlar.

Dünyada bunlar olurken bizde de dijital çağa geçiş için çalışmalar yapılmaktadır. Ancak, özellikle Kobilerde yanlış stratejiler ve uygulamaların sonucu olarak halen devasa atölyeler ile Endüstri 2.0 ile 3.0 arasında bir yerlerdeyiz.

Büyük işletmeler bu anlamda çok daha iyi olanaklara sahipler. Ancak KOBİ’ler benzer olanaklara sahip olmadıklarından dolayı, dönüşüm sürecine pek kolay başlayamamaktadırlar. Ülke ekonomisini kobilerin domine ettiği düşünüldüğünde, dijital dönüşümü gerçekleştirebilmek için kapsamlı ‘eğitim, bilinçlendirme, yönlendirme programlarına’ çok fazla gereksinim bulunmaktadır.

Her değişim sürecinde olduğu gibi dijital dönüşüme başlanabilmesi ve başarılı olabilmesi için birtakım engellerin aşılması, gerekli ön koşulların sağlanması gereklidir.

Araştırma sonuçları, Kobilerin dijital dönüşüm sürecine başlayamamasının ana nedenleri olarak,

  • Dijital teknolojiler ve faydaları hakkında bilgi eksikliği,
  • Bilgi teknolojileri alt yapısı ve iş süreç standartlarında eksiklik,
  • Bütçe kısıtları,
  • Bilgi güvenliği risklerini göstermektedir.

Benzer şekilde dönüşüm sürecinin başarılı olamamasının ana nedenleri olarak ise,

  • Strateji geliştirme eksiklikleri ve sistematik bir yol haritasının olmaması,
  • Standartlaştırma/basitleştirme işlemleri olmadan kompleks sistemlerin dijitalleştirilmeye çalışılması,
  • Dönüşüm sürecinde yer alacak yetkin iş gücü eksiklikleri gibi etkenleri göstermektedir.

Peki, ideal bir dönüşüm süreci için öncelikle ne yapmalıyız? Hep denilir ya önce KÜLTÜREL dönüşüm diye… Peki, kültürel dönüşümü yani beklenen sonucu nasıl sağlayacağız?

Cevap belli.

Rekabet edebilmek için stratejiye; stratejinin gerçekleşebilmesi için de teknolojiye gereksinim var. Peki, bunlar için önce neye ihtiyacımız var? Bilgiye…

Bilgi olmadan ne strateji geliştirebilir ne de doğru teknolojiyi seçebilir/kullanabilirsiniz. Kültürel değişim bir sonuçtur. Kültürü değiştirebilmek için öncelikle okumak, öğrenmek, BİLGİLİ olmak gerekiyor zannediyorum. Aksi halde, bilgi olmadan yapılmaya çalışılan birçok dönüşüm süreçlerinde olduğu gibi sonuç hüsran olabiliyor.

Yayım tarihi

PLM IV | Öğrenen Organizasyon

İmalat süreçlerinde birçok yerden, farklı formatlarda veri üretilir. Araştırmalar, bir organizasyonda, örgütsel bilginin sadece ortalama 5% sinin yapılandırılmış ve yeniden kullanılabilir bir biçimde mevcut olduğunu; geri kalanının ise yapılandırılmamış ya da insanların zihninde bulunduğunu göstermektedir. Yapılandırılmış bilgi, küçük bir oran teşkil etse de kolay erişilebilme, işlenebilme ve karar verme süreçlerinde kullanılabilmesi nedeni ile işletme açısından yüksek değere sahiptir.

Dijital dönüşümün temelindeki IT entegrasyon kısmına artık PLM yerleşiyor. Bu yapı, iletişimin hızını, kalitesini artırıyor ve beyaz yakanın ortalama 60% zamanını alan iletişim kayıplarının minimize edilmesine olanak sağlıyor. Tasarımdan, sevkiyata kadar tüm süreçlerde üretilen veriler PLM veri tabanına eklenebiliyor ya da istenildiğinde eklenen verilerden sorgulama yapılabiliyor. Bu sayede anlamlı bilgiye (knowledge) hızlı bir şekilde ulaşarak – doğru kararlar, zamanında alınabiliyor.

Bu bağlamda PLM in tanımını, ürün yaşam süreçlerinde üretilen tüm verilerin yakalandığı, standart/ organize bir şekilde depolandığı ve gerektiği anda yeniden kullanılabildiği sistem bütünü olarak yapabiliriz.

Ancak, bütün bu amaçları tek bir programda yürütebilmek mümkün değildir. Çünkü her segmentin kendi uzmanlık alanı vardır. ERP tarafı daha çok iş süreçlerinin yönetimine odaklanırken, MES tarafı üretimin planlanması, izlenmesi ve yönetilmesi gibi konulara odaklanır. CAD / PDM tarafında ise genelde tasarım süreçlerine ait bilgiler mevcuttur. Ancak, ürün yaşam döngüsünün her sürecinde bilgi üretilmesi, üretilen verilere her süreç tarafından ihtiyaç duyulabilir olmasından dolayı, tüm verilerin konsolide olarak tek bir veri havuzunda tutulması ihtiyacını doğurmaktadır. Bu da ancak iş, ürün geliştirme ve üretim segmentlerinin entegrasyonu ve tüm paydaşların bu entegrasyon üzerinden elde edilen platform üzerinde çalışmaları ile mümkün olabilmektedir. Bu sayede ürün yaşam döngüsü süreçlerinde üretilen tüm veriler tek bir yerde saklanabilir (Single Source of Truth) ve gerektiğinde yeninden kullanılabilir.

Örneğin, tasarım aşamasında yaşanan bir problemin karşısında yapılanların PLM’e kaydedilmesi belki imalat süreçlerinde yaşanan bir problemin çözümüne yardımcı olabilir. Benzer şekilde, müşteriden gelen bir şikâyete ait bir bilgi de eğer PLM ‘e girilmiş ise, ürün geliştirme süreçlerinde daha fonksiyonel ürün tasarlanabilmesi amacı ile kullanılabilir. İşletme içi Google modeli olarak da tanımlayabileceğimiz bu yapıda ihtiyaç duyulan bilgiler, yeniden üretilmeye gerek kalmadan daha önceden organize şekilde kayıt altına alınmış verilerden elde edilerek elde edilerek, işletme kurumsal hafızası. PLM ortamına taşınmış olur. Öğrenen ve çevik bir organizasyon olabilmenin önü PLM ile açılmaktadır.

Yayım tarihi

İşletme içi Google

İşletme yönetimi, fırtınalı havada gemi yönetmeye benzer. Doğru kararların, hızlı bir şekilde alınabilmesi için birçok yerden gelen verinin değerlendirilmesine gereksinim vardır. Ancak, sürekli ve öngörülemez değişimin ortaya çıkardığı karmaşıklık, işletmeleri bu aşamada zorlamaktadır. Bu durum, iş ve performans kayıplarına neden olarak işletmelerin rekabet gücünü zayıflatmaktadır.

İmalat süreçlerinde birçok yerden, farklı formatlarda veri üretilir. Araştırmalar, bir organizasyonda, örgütsel bilginin sadece ortalama 5% sinin yapılandırılmış ve yeniden kullanılabilir bir biçimde mevcut olduğunu; geri kalanının ise yapılandırılmamış ya da insanların zihninde bulunduğunu göstermektedir. Yapılandırılmış bilgi, küçük bir oran teşkil etse de kolay erişilebilme, işlenebilme ve karar verme süreçlerinde kullanılabilmesi nedeni ile işletme açısından yüksek değere sahiptir.

Google, son yılların en önemli icatlarından. İki kelime yazıyoruz, kaşımıza ilgili kelimeler ile ilgili yığınla bilgi geliyor. Öğreniyor, aksiyon alabiliyoruz.

Şimdi, şöyle bir şey düşünelim. Kendi işletmemiz içinde, sadece işletme verileri üzerinde arama yapan bir GOOGLE‘umuz olsa acaba nasıl olur du? Yani, iş süreçlerinin herhangi bir aşamasında bir konu hakkında bir şey sormak istediğimizde, ürün yaşam döngüsünün tüm aşamalarında, aranan kelimeler ile ilgili tüm ‘e-mailleri, dosyaları, geliştirmeleri, aksiyonları, vs..’, bize getirse…

Cehaletin bedelini ödememek, öğrenen organizasyon olabilmek için yeni dönemde ‘bilgi yönetimi’ en öncelikli konuların başında geliyor.  Bilgiyi aramak, yeniden üretmek yerine yeni dönemde ‘bilgiyi yakalamak/organize etmek / yeniden kullanmak’, konularına odaklanmamız gerekiyor.

PLM, dediğimiz konsept işte tam bu aşamada fark oluşturuyor.

Yayım tarihi

IoT’nin Üretime Etkisi

IoT konseptinin ortaya çıkardığı akıllı ve bağlantılı ürün kavramı yeni iş modelleri oluşumunun önünü açıyor. Bunların başında imalat süreçleri geliyor. Bu durumu şöyle açıklayalım.

Product as a Service

Eskiden müşteriden siparişi alır, üretir ve ürünü müşteriye gönderirdik. Ana gaye fiziksel ürünü müşteri ile buluşturmaktı. İmalat süreçleri sınırlıydı ve sevkiyat sonrasında imalat süreçleri sonlanırdı. Ancak şimdi durumun bambaşka olduğunu görüyoruz. Çünkü artık müşteriye ürün değil, sistem satıyoruz. Artık yeni konsept ürünün fiziksel nesne yerine bir servis olarak algılanması: Product as a service (PaaS). Dolayısı ile imalat süreçlerinin artık sevkiyat aşaması ile sınırlanamayacağı, imalatın sürekli bir iş olduğu ve satmış olduğumuz servisi yönetmek zorunda olduğumuzdur.

Önceleri ürünün sahibi müşteriydi. Fiziksel ürünü müşteriye gönderdiğimizde tüm süreçlerden müşteri sorumluydu. Ancak şimdi sadece fiziksel bileşenleri olan bir ürün satmıyoruz; bir sistem satıyoruz. Dolayısı ile sistemi oluşturan diğer bileşenler bulut ortamına olduğu için, bu bileşenlerin güncellenmesi ve yönetilmesi tamamıyla imalatçıya ait. Dolayısı ile yeni dönemde sistemin sahibi artık üretici.

Eskiden ürün fonksiyonları ürüne yerleştirilen fiziksel komponentler üzerinden sağlanıyordu. Bu nedenle üründe sabit bir fonksiyon yapısı vardı. Ancak şimdi ürüne fonksiyonalite veren birçok parametre donanımlarla beraber yazılımlar üzerinden sağlanıyor. Fiziksel üründeki birtakım fonksiyonların yazılımlar üzerinden sağlanması, bizi ilerleyen dönemde bulut üstünden ürün fonksiyonlarını değiştirme şansını elde etmemize olanak sağlıyor.

Önceleri fiziksel olarak müşteriye gönderilen bir üründe problem olması durumunda, ürün fabrikaya servise getirilir ve burada gerekli fiziksel parçaların değişimi tamir ve bakım işlemi yapılırdı. Ancak şimdi bu işlemleri bulut üstünden, uzaktan yapabiliyor; parça değişimine gerek kalmadan ürünü tamir edebiliyor ya da yeni özellikler ekleyebiliyoruz.

Kısaca, ürünün artık bir sistem olarak değişime uğraması sorumluğun müşteriden üreticiye geçmesine neden olmuştur. İmalatçılar artık sattıkları sistemin/servisin performansını yaşam boyu izlemek ve bu süreci yönetmek zorundalar.

  • İmalat Yönetimi

IoT konseptinin getirmiş olduğu başka bir değişikliği imalat yönetiminde görüyoruz. Akıllı ve bağlantılı ürünler artık veri üretiyor ve bu büyük verinin tüm süreçlerle paylaşılması, içinde anlamlı sonuçlar çıkarılarak müşteri beklentilerine doğru ve zamanına cevap verilebilmesi açısından hayati öneme sahip. Bunun için bütün fonksiyonların, bileşenlerin ve süreçlerin tam bir entegrasyon halinde çalışabiliyor olması; üretimden satın almaya, tedarikçiden müşteriye kadar tüm sürecin, birbiri ile iletişime geçebileceği ortak bir platformun tesis edilmesi gereklidir. CPS (Cyber Physical Systems) diye tabir ettiğimiz, iş yazılımları ile üretim ekipmanlarının tek bir platform üzerinden iletişime geçebildiği (IT & OT Entegrasyonu) yeni kavramın artık içselleştirilmesi kaçınılmaz olmuştur (bu konuyu ilerleyen bölümlerde açacağız). Artık, yeni üretim felsefesi olmadan akıllı ve bağlantılı ürün üretmek neredeyse olanaksız.

  • Yeni Ürün Geliştirme

Bir diğer önemli değişikliği yeni ürün geliştirme süreçlerinde görüyoruz. Önceleri mekanik ve elektriksel parçalardan oluşan ürünün artık yazılım, donanım ve iletişim modülleri de içermesi ürünün kompleks bir sistem haline gelmesine neden oluyor. Bu sonuç, IT ekibinin yeni dönemde ürün geliştirme sürecinin vaz geçilmez bir parçası olacağı anlamına gelmektedir. Bu döneme kadar makine mühendislerinin ağırlıklı olarak çalıştığı tasarım bölümlerinde, yeni dönemden itibaren daha fazla IT mühendislerini göreceğimizi söyleyebiliriz.

Ürüne ait fonksiyonların yazılımlar üzerinden belirlenebilmesinin birçok avantajı bulunmaktadır. Bunların başında ürün ağacını oluşturan fiziksel komponentlerdeki azalmayı görmekteyiz. Ürüne özellik veren fiziksel bileşenler yerine yazılımların kullanılması sonucunda daha az parça ile ürün tasarlayabiliyoruz. Daha az malzeme satın alarak tedarik zincirini rahatlatıyor, imalat süreçlerini kısaltabiliyor, ürünü hatalı üretme riskini azaltabiliyoruz. Artık, ürüne ait bileşenler müşteri isteklerine göre yazılım üzerinden konfigüre edilebiliyor ve tamamen kişiye özel kullanıcı arabirimleri yine yazılımalar aracılığı ile elde ederek çeviklik açısından daha rekabetçi olabiliyoruz.

Akıllı ve bağlantılı ürünlerin bir diğer etkisini modüler ürün tasarımı aşamasında görmekteyiz. Fiziksel ürün standart bir şekilde üretilmesine rağmen, ürünü kişiye özel şekilde farklılaştıran ilave özellikler ve kullanıcı ara yüzleri yazılımlar aracılığı ile elde ederek çeviklik açısından daha rekabetçi olabiliyoruz. Her müşterinin farklı özelliklerde ürünler istediği günümüz koşullarında, değişikliğin yaşam sürecinin herhangi bir aşamasında yazılımlar üzerinden yapılabiliyor olması son derece büyük bir avantaj olarak karşımıza çıkıyor.

  • Pazarlama

Pazarlama süreçlerinin de bu değişimden etkilenmediğini söyleyemeyiz. Akıllı ve bağlantılı ürünlerin ürettiği verilerin, CPS üzerinden alınabilmesi pazarlama süreçlerinde yeni avantajlar getiriyor. Müşterinin bağlantılı olması her şeyin temelini oluşturuyor; akıllı ve bağlantılı ürün buna olanak sağlıyor. Ürünün performansı, kullanım durumu ve müşterinin davranışlarını ürün üzerinden gelen veriler üzerinden analiz ederek, ürün / müşteri arasındaki ilişkiyi modelleyerek yeni ihtiyaç ve isteklerini modelleyebiliyor, bu modelden çıkan verileri müşteri açısından daha katma değerli ürünlerin üretilebilmesi için kullanabiliyoruz.

Yeni dönemde artık pazarlama ürüne değil değer üreten tüm sisteme odaklı olmak durumunda. Müşterilerin segmentlere ayrıştırılması, her segment ihtiyaçlarının ayrı ayrı tanımlanarak her segment karşılık gelecek yeni özelliklerin belirlenmesi aşamasında sahadan gelen büyük veriler oldukça işe yararlar.

Yayım tarihi

Dijital Dönüşümde İletişim Omurgası (IT)

Yazılımlar bizi kendi ağlarına doğru çekiyor. Artık, ürün geliştirme ve imalat süreçlerinde manuel işlemler ile bilgi alışverişinde bulunma dönemi çok gerilerde kaldı. Veri büyüklüğünün giderek artması, değişimin artık hayatımızın olağan bir parçası haline gelmesi veri yönetiminde standart yaklaşımın olmasını zaruri hale getiriyor. Bilginin ilk üretildiği yerden, gerçek zamanlı ve doğru olarak, ilgili fonksiyonlar arasında paylaşılması; bunun için de temel iletişim ağının kurulması (Business segment / Product Segment / Manufacturing Segment) son derece önemli – özellikle dijital dönüşüm sürecine girmek isteyen firmalar için.

Hızlı olmak, verimli olmak ve en önemlisi endüstri 4.0’a giriş yapabilmek için bu üç segment’i bir araya getirecek kurguları yapacak stratejiler geliştirmek ve uygulamak zorundayız.

Bu süreç elbette kolay değil. Değişim/dönüşüm gerektiriyor, bütçe gerektiriyor, uzmanlık gerektiriyor. Ancak, eğer rekabetçi olmak isteniliyorsa başka da seçenek yok. O nedenle, geri dönmemek üzere – gemileri yakın. Yalın ile verimliliği sağlayın, kayıpları elimine edin ve buradan gelen kaynağı insan kaynağına (yetkinliğe) ve teknolojiye (yazılımlara) ayırarak dönüşüme başlayın – çok geç olmadan!.

Yayım tarihi

Sanayide Dijital Dönüşüm

Sanayide Dijital Dönüşüm çalışmaları olanca hız ile devam ediyor. Ancak, herkes tarafından kabul edilmiş bir tanım & yol haritası henüz tam olmadığı için hemen herkes kendi bakış açısından süreci yorumluyorlar, dönüşüme yön vermeye çalışıyor.

Otomasyoncular sahadan veri almak/göndermek için biz önemli oyuncuyuz derken ERP/MES tarafı sürecin yönetiminde yatay/dikey entegrasyonu sağladığı için odak nokta benim yaklaşımını sergiliyorlar. IoT platformları veri toplama, görselleştirme, analitik ve uyarlama geliştirme işlerine girerlerken ERP ’den kısmi roller almaya başlıyor; AR ve BDA platformları sürecin daha da anlamlı getiren biziz diyorlarken, Simülasyon ve Robot tarafı ise yine kendi açılarından süreci değerlendiriyorlar.

Kısaca işler biraz karışıyor; özellikle bu konular hakkında fazla bilgisi olmayan muazzam bir kalabalık açısından.

Dijital dönüşümün her şeyden önce disiplinler arası bir çalışma gerektirir. Akıllı Fabrika kurabilmek için ekosistem içinde yer alan tüm oyunculara ihtiyaç vardır. Mesele, kimin ne yapacağı değil, kimin ne zaman yapacağıdır.

Şimdi basit bir durum tespiti yapalım. Tek bir soru soralım. Biz ne iş yapıyoruz? İmalat.

Evet, işimiz imalat. Yani, parçayı alıp ‘kesiyor, şekillendiriyor, birleştiriyor, boyuyor ve gönderiyoruz’. Temel süreçlerimiz: ‘Tasarım – Plan – Tedarik – Üretim – Sevkiyat – Servis”; amacımız ise ‘Hız, kalite, maliyet’.

Peki bizim gerçekte neye ihtiyacım var?

Öncelikle süreçleri yönetmek için doğru bir kurguya, iyi bir akışa ihtiyacınız var. ERP projesi yapanların en sevdiğim yanı 1 satır kod bile yazmadan önce oturup sürecin nasıl aktığını anlamaya çalışır ve sonra üzerine uyarlama/geliştirme yaparlar. Kavramsal Tasarım denilen süreç budur: Yavaş yavaş acele etmek ya da terzi misali iki kere ölçüp bir kere kesmek.

Günümüzün geçerli işletme operasyon yönetim modeli Yalın ve Çevik üretim prensiplerinin bileşkesi olan hibrid ya da LEAGILE dediğimiz üretim yönetimi stratejisidir. Tedarikçiden müşteriye kadar olan tüm sürecin bu strateji ile yönetilebilir olması Dijital Dönüşümün esasını teşkil eder. İşin standardı, binanın temeli burasıdır. Stratejik sourcing, JIT purchasing, sanal ağlar üzerinden uçtan uca entegrasyon, TPM/TQP, Kanban, JIT, Heijunka gibi konuları süreçlere dahil etmeden dijitalleşmeye başlamak sadece ‘yanlışın daha hızlı yapılmasına’ neden olur.

Kısaca, önceliğimizin akış olması gerekiyor. Malzemenin ve bilginin süreçler arasında nasıl akacağını tanımlamak ve bu akışım istediğimiz şekilde çalıştığını garanti altına almak. Lean ve Agile olmak. Sonra üzerine teknolojiyi bindirmek…

Yayım tarihi

Dijital Dönüşüm İnsanla Başlar!

Değişim, dönüşüm kavramları sürekli hayatımızda. İnsanların büyük çoğunluğu, kendi tercihleri sonucu oluşmayan yeni dönemlere yüzyıllardır adapte olmaya çalışıyor. Yeni dönemler hiç bitmiyor, tam adapte oldum diyorsunuz – başka bir yeni dönem geliyor. Şu anda da durum bundan farklı değil, değişimin hızı dışında.

Değişime adapte olmak ya da olmamak, işte bütün mesele bu! Değişime hızlı adapte olan firmalara baktığımızda bariz şekilde şu ortak özelliği görüyoruz. Yetkin insanlar…

Ne demek istediğimizi açıklayalım.

Geçenlerde bir müşterimde alüminyum kesim firesini önemli miktarda azaltacak bir iyileştirme çalışması yaptık. Sahaya gittik (genchi-gembutsu), durumu detaylı inceledik, analiz yaptık, yeni süreci kurguladık, modelledik. İş uygulamaya geldi, bir adım öteye gidemedik. Çünkü, işletme içinde istediklerimizi uygulayabilecek yetkinlikte iş gücü yoktu. Ne mi istemiştik? Sensör ile alüminyum kütüğün çapını ölçüp, prese göndermek; gelen veriye göre presin, kütüğü keseceği boyu otomatik olarak kendisinin ayarlaması. Kâğıt üstünde son derece basit olan bu uygulamayı hayata geçiremedik…

Bu duruma benzer daha birçok vaka gördüm desem yanlış olmaz. Düşünüyoruz, çözüm buluyoruz ancak uygulayamıyoruz!

Eskiden kaizen çalışmaları yapılırken moonshine (uygulama teknisyeni) dediğimiz kişilerden yardım isterdik. Bu kişiler, kaizen çalışması sonucunda ortaya çıkan fikstür, aparat, döner tabla gibi mekanik gereksinimleri hızlı bir şekilde yapar, kaizen ’lerin sonuçlanmasına önemli katkı sağlarlardı. Şimdilerde ise kaizen ‘lerin birçoğu yazılım, otomasyon bilgisi olan yeni nesil moonshine’lar gerektiriyor. PLC ‘den veri okuyup ERP ‘ye entegre edebilmek ya da sensör verilerini manipüle edip, anlamlı sonuçlar çıkarabilmek için ‘elektronik, haberleşme ve bilişim teknolojilerini’ bir arada kullanabilen yetkinlikte insan kaynağı, yeni nesil işletmeler içim artık bir zaruriyet. Bu yetkinlik olmadan dijital dönüşümün gerçekleşebilmesi pek olanaklı gözükmüyor.

Dijital dönüşümde yetkinliğin iki boyutu vardır: Teknoloji ve süreç. Yeni nesil moonshine teknolojik yetkinliğe karşılık gelir. Ancak, teknolojik yetkinliğiniz ne olursa olsun, Yalın üretim felsefesi (verim), Çevik üretim prensipleri (hız) uygulanmadan üretimde akış sağlanamaz, standartlar elde edilemez. Standardı kurmadan yapacağınız teknolojik iyileştirme faaliyetleri, genelde yanlışın daha hızlı yapılmasına sebep verir. Üretimde standart, mükemmel malzeme ve bilgi akışı demektir. Akışın tesis edilebilmesi için doğru yöntemlerin/prensiplerin iyi bilinmesi gerekir. Bunun için yalın ve çevik üretim stratejilerine göre süreç ve sistem kurmasını iyi bilen insan kaynağına ihtiyacınız vardır. Unutmayın: Standart, binanın temeli, teknoloji ise binayı yükselten kolonlardır.

Dijital dönüşüm her şeyden önce insanla başlar. O nedenle öncelikle insana yatırım yapın. Dönüşüm liderlerinin ‘yalın, çevik ve dijital felsefeyi’ iyi öğrenmelerini; öğrendiklerini uygulamalarını sağlayın. Gerisi kendiliğinden gelecektir…

Yayım tarihi

Dijital Dönüşüm  | Engeller ve Yol Haritası

Yeni dönem, bilinen tüm değer önermelerinin geçerliliğini yitirmesine neden oluyor. Günümüz koşullarında verim, düşük maliyet, hız, doğru tahminleme gibi konularda başarılı olunabilmesi klasik üretim yöntemleri ile neredeyse olanaksız. Bunun için ileri seviye teknolojiye ve sistemlere her zamankinden çok daha fazla gereksinim var. Hızlı bir şekilde önce yalın olmalı ve kayıpları azaltmalı; buradan gelen getiriyi teknolojiye, eğitime ayırarak akıllı fabrikalar kurmalıyız. Başka seçeneğimiz yok maalesef.

Şurası kesindir ki, Dünya sınıfı üreticiler, geleceğin ürünlerini şimdiye göre daha hızlı, daha hassas toleranslarda mükemmele yakın kalitede, daha verimli ve güvenli bir şekilde üretecekler. Üstelik bunu sadece ‘1’ adet ürün için yapacaklar.

Dünyada bunlar olurken bizde de dijital çağa geçiş için çalışmalar yapılmaktadır. Ancak, özellikle Kobilerde yanlış stratejiler ve uygulamaların sonucu olarak, halen devasa atölyeler ile Endüstri 2.0 ile 3.0 arasında bir yerlerdeyiz.

Her değişim sürecinde olduğu gibi dijital dönüşüme başlanabilmesi ve başarılı olabilmesi için birtakım engellerin aşılması, gerekli ön koşulların sağlanması gereklidir. Araştırma sonuçları, Kobilerin dijital dönüşüm sürecinde başarılı olamamasının ana nedenlerinden biri olarak Strateji geliştirme eksiklikleri ve sistematik bir yol haritasının olmamasının önemli bir etken olduğunu belirtmektedir.

Araştırma sonuçları Kobilerin dijital dönüşüm sürecine başlayamamasının ana nedenleri olarak:

  • Dijital teknolojiler hakkında bilgi eksikliği,
  • Bilgi teknolojileri alt yapısı ve süreç standartlarında eksiklik,
  • Bütçe kısıtları,
  • Bilgi güvenliği risklerini göstermektedir.

Benzer şekilde dönüşüm sürecinin başarılı olamamasının ana nedenleri olarak ise:

  • Strateji geliştirme eksiklikleri ve sistematik bir yol haritasının olmaması,
  • Standartlaştırma ve basitleştirme işlemleri olmadan kompleks sistemlerin dijitalleştirilmeye çalışılması,
  • Pilot bölgede uygulama yerine sürecin tamamına odaklanılması,
  • Dönüşüm sürecinde yer alacak yetkin iş gücü eksiklikleri gibi etkenleri göstermektedir.

Büyük işletmeler bu anlamda çok daha iyi olanaklara sahipler. Ancak KOBİ’ler için bu sorunlar kolay aşılacak gibi durmuyor. Ekonomiyi Kobilerin domine ettiğini düşündüğümüzde, dijital dönüşümü gerçekleştirebilmek için, kapsamlı eğitim, bilinçlendirme, yönlendirme programlarına çok fazla gereksinim var kanısındayım.

Literatürde, dönüşüm sürecinde izlenmesi gereken yol haritasına ilişkin birçok çalışma olup, genel olarak varılan yargı: Önce standartların oluşturulması, sonra adım adım dijitalleşme üzerine yoğunlaşmaktadır.

“Bir fili bir oturuşta yiyemezsiniz.”