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

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…

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.

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.

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…

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. 

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.

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.

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.

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).

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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!.

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…

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…

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.”