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.
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.
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.
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.
Değişim sürecinde yetkinlik konusu öne çıkıyor. Yetkinliği daha iyi olan işletmeler hem sorunlarını daha doğru tanımlayabiliyor hem de etkin sonuçlara daha hızlı ulaşabiliyorlar. Artık, yetkinlik artırıcı stratejiler planlamak ve uygulamak HR departmanlarının temel görevi haline geldi. Bu yönde birçok işletmede XYZ AKADEMI altında, oldukça etkin eğitim birimleri kuruluyor.
AKADEMİ bünyesinde verilen ‘Yalın ve Kalite yönetimi’ temalı eğitimler zaten olmazsa olmaz unsurlar. Yalın olmak için bu eğitimler gerekli ancak çevik olmak için bundan fazlasına ihtiyaç vardır. Zira, işletmeler kendi bünyelerinde yalın olabilirlerken, çeviklik için tüm tedarik zincirinin katılımı gerekir.
Ben burada özellikle ‘Dünya Sınıfı Üretici’ olmak için gerekli olan birkaç eğitim konusuna değineceğim.
Geçtiğimiz günlerde NVIDIA’nın ürün lansmanı sunumunu izledim (GPU manufacturer). Parallel Processingüzerinden, bilgisayarların işlem yapma hızını (Computing Powers) nasıl artırdıklarından ve bu sürecin AI’ın gelişimine ne denli etki ettiğinden bahsediliyordu. Etkilenmemek elde değildi; 32 adet GPU ile tüm dünyanın Internet trafiğini yönetecek kapasiteye ulaşmışlar!
Buradan bizim alacağımız ders nedir peki? Parallel Processing: Aynı amaç için farklı işlemcilerin, farklı işlemler yaparak sonuca daha erken ulaşması (bilgisayarlarda daha önce bulunan seri port/paralel port gibi). Bu sayede, haftalar süren makine öğrenmesi eğitim süreci, günlere hatta saatler mertebesine indirgenebiliyor.
İşimiz GPU tasarlamak değil elbet; biz imalat yapıyoruz, ürün geliştiriyoruz. O halde biz de aynen burada olduğu gibi Parallel Processing, yani Concurrent Engineering (cooper’s stage gate: Iterative and spiral product development) konsepti üzerinden ürün geliştirme hızımızı artırabiliriz. Dünya bu şekilde yapıyor, hem de yıllardır.
Akademi eğitimlerinize mutlaka ‘Agile Product Development! Konusunu ekleyin derim.
Big Data Enabled Supply Chain Management (IoT, CPS, Big Data, Machine Learning and Data Science)
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.
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.
Tasarım süreçlerinde alınacak daha çok yolumuz var. Birçok işletmede her sipariş için ürünü neredeyse yeniden tasarlıyor, her yeni tasarımda BoM’u değiştiriyor, her BoM değişiminde tedarik zinciri ve üretim yönetimi maliyetlerine negatif yönde etki ediyoruz. Maliyetlerimiz artıyor, siparişe cevap verme hızımız düşüyor, rekabetçi olamıyoruz. Tasarımın kalitesi bu anlamda önem arz ediyor.
İyi bir tasarımın özellikleri ne olmalıdır diye sorarsanız size iki unsurdan bahsedebilirim.
En iyi tasarım, değişken müşteri beklentilerini karşılamak için yeninden tasarım yapmayı gerektirmeyecek tasarımdır (Modular design like Lego; select modules and built the product).
En iyi tasarım, amaç fonksiyonunu en basit şekilde modelleyen tasarımdır (Supply Chain Flexibility and Manufacturability)
Peki, değişkenlik bu denli yüksek iken hem modüler hem de basit şekilde tasarımı nasıl yapabilmek nasıl mümkün olabilir? İşte anahtar soru bu…
Müşteri ürün aramaz, bir problemine çözüm arar. Tasarım sürecindeki en kritik aşama problemin doğru anlaşılmasıdır. Zira, iyi tanımlanmış bir problem, yarı yarıya çözülmüş demektir. Ancak, problemi tanımlama ve çözüm üretme sürecinde birçok işletme maalesef yanlış strateji izler. Amaç fonksiyonuna çok fazla etki etmeyecek birçok parametreyi tasarlanacak modelin içine alır, çözümü kompleks hale getirir ve mükemmeli sunmaya çalışır. Bu komplekslik, modelin bir kere sonuç üretmesine etki edebilir ancak başka bir problemin çözümünde kullanılabilmesini güçleştirir.
Bu durumu makine öğrenmesindeki overfitting konseptine benzetebiliriz. Gürültünün (noise, too many parameters) kurgu içine alınması modelin basit ve geleceği ön görebilmesine engel teşkil eder. Oysa, doğada mükemmel bir ‘daire’ mevcut değildir; bilgisayar ortamında da yoktur. Bilim dünyası modelleme yaparken yakınsama (approximation/generalization) yaklaşımını kullanır. Newton’un f=ma ya da Hook’s un F=- kxformülleri gibi birçok matematiksel model yakınsama yani genelleme yaklaşımı ile ortaya atılmıştır. Eğer, bir yay üzerinde değişken yükler ile yay-uzaması deneyi yaparsanız, yayın uzaması ile yük arasında her zaman lineer bir ilişki olmadığını gözlemlersiniz. Ancak, bilim dünyası hesaplamalarda bu lineer modeli kullanır. Çünkü, model ‘YETERİ KADAR İYİ’ yaklaşımı ile geliştirilmiştir ve kabul edilebilecek seviyede doğru sonuçlar üretmektedir.
Amacımız, elbette tüm müşteri beklentilerini tek bir çözüm/model ile karşılamak değildir. Birçok işletmede, alınan siparişlerin ortalama 60% si ‘standard product’ dediğimiz bu kapsama girer. Modüler tasarımlar üzerinden standart çözümler sunmak çeviklik açısından oldukça önemlidir. Aynen, ayakkabıcıların ya da takım elbise üreten işletmelerde olduğu gibi, üretilen ürünlerden biri mutlaka size uyar; eğer çok özel istekleriniz yok ise.
Bu gruba girmeyen yani özel tasarım gerektiren ‘innovative product ‘kapsamına giren siparişler için yapacak bir şey yoktur. Aynen özel terzilerin yaptığı gibi beden ölçüsüne göre tasarım yapılması ve müşterinin de bu özel ilginin ücretini ödemesi gereklidir. Bu aşamada dikkat edilmesi gereken en önemli unsur ise tasarımın müşteri ile birlikte yapılmasının gerekliliğidir. Literatürde ‘Iterative’ ya da ‘spiral development’ olarak tanımlanan bu süreçte, her aşamada (stage gate) müşterinin görüşünün alınması tasarım sürecinin hızını ve kalitesini doğrudan etkiler.
Ürün geliştirmeye devam edeceğiz ve bunu en iyi şekilde yapmak zorundayız. Ürün gamınızı standard ve innovative olarak iki gruba ayırın. Standard ürünlerde modülerliğe ve basitliğe, innovative ürünlerde ise iterative yöntemlerle önem verin derim.
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
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…
İş dünyası bir değişim/dönüşüm sarmalıma girmiş gidiyor. İnsan ihtiyaçlarının/isteklerinin sınırsız olması ve bir ihtiyacın tatmininin yeni bir ihtiyaç doğurması (platon), belki de değişimi ve dolayısı ile dönüşüm tetikleyen en önemli unsur gibi görünüyor.
Dönüşümü, teknik olarak hal değişimi (faz transformation) olarak da tanımlayabiliriz. Yani, bir durumdan başka bir duruma geçebilmek. Eğer, işletmeler bir malzeme olsaydı dönüşümü fiziksel süreçler veya kimyasal tepkimeler üzerinden gerçekleştirebilirdik. Ancak, bizim işimiz; insanı ya da iş yapma modelimizi değiştirerek/dönüştürerek yeni bir kültür elde etmek. İşte bu, öyle kolay olmayan ve farklı tekniklerin uygulanmasını gerektiren bir süreç. Zira, makinelerin yerlerini değiştirmek, yeni bir üretim hattı kurmak ya da demirden çelik elde etmek belki kısa süre içinde gerçekleştirilebilir; ancak insanların davranışlarını, iş yapma tekniklerini değiştirerek yeni bir kültür inşa etmek uzun yıllar sürer.
Literatürde, kültürün inşası ve yayılımı konusunda iki ana tema üzerinde durulur: Katılım ve İletişim.
Katılım, bu aşamada ele alınması gereken öncelikli konudur. Zira, katılım olmadan başarı elde edilemez (T. Ohno). Ancak, insanların değişim sürecine katılımını tesis etmek hiç kolay değildir. Etkin liderlik özellikleri sergilemek, insanlara hata yapma imkânı sunmak, yol açmak/göstermek ve en önemlisi o yolda gitmek gibi erdemler gerektirir. Eskilerin dediği gibi; ‘yola çıkıp varamayan, yoldan çıkıp varabilen yoktur’ ilkesinden yola çıkarak, katılımın sağlanması için liderlerin ekibine doğru yolu gösterme ve güdüleme gibi konularda önemli görevleri olduğunu belirtmekte yarar bulunmaktadır.
Tabi, bunun bir de organizasyon tarafı vardır. Organizasyon, ‘aynı amaç doğrultusunda gönüllü olarak bir araya gelmiş topluluk’, olarak tanımlanır literatürde. Amaç birliği ve gönüllüğünün sağlanması bir organizasyonun temelini oluşturur. Bu temelin harcı da iletişimdir.
İletişim bir organizasyonun can damarıdır. Söyleneni/aktarılanı anlamak, anlaşılana hak vermek, hak verilerini uygulamak, uygulananı sürdürmek ve sürdürüleni standartlaştırmak süreci iletişimin kalitesini açıklar. İletişimde asıl amaç standardın tesis edilmesidir.
Dönüşümün teknik boyutu önemlidir, ancak asıl mesele kültürel anlamda dönüşebilmektir. Yani, kişiden, zamandan, mekândan bağımsız olarak; süreçlerin her defasında aynı yöntem, aynı hız ile yapılarak her defasından aynı sonucun elde edilebilmesine olanak sağlayacak zeminin hazırlanmasıdır. Standartlaşma olarak da tanımlayabileceğimiz bu süreçte özellikle katılım ve iletişim konularına odaklanılması, dönüşümün sağlıklı gerçekleşebilmesi açısından yarar sağlayacaktır kanısındayım.
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.
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.
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.
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.
