Data-analytiikasta tiedolla johtamiseen

Edeltävässä blogikirjoituksessa käsiteltiin ratainfran ennakoivan kunnossapidon hyötyjä. Kun mahdolliset vikatilanteet tunnistetaan datamassasta ennalta, huolto voidaan ajoittaa juuri niihin hetkiin, kun sitä todella tarvitaan. Tällöin säästyy niin aikaa, vaivaa kuin resursseja. Kun dataa on jo kerrytetty, seuraava askel on valjastaa se käyttöön data-analytiikan menetelmin.

Asiakkaamme VR FleetCare on raidekaluston kunnossapitoyhtiö, joka tarjoaa teknologiaratkaisuja ratainfran ennakoivaan kunnossapitoon SmartCare-palveluilla. Rataverkkojen vaihteita, joilla junia ja raitiovaunuja ohjataan raiteelta toiselle, huolletaan tällä hetkellä aikataulutetusti. Jotta raideliikenteen sujuvuus ja turvallisuus voidaan taata entistä paremmin, VR FleetCare aloitti kanssamme asiakaslähtöisen kehitystyön kohti ennakoivaa kunnossapitoa. VR FleetCare on mitannut vaihteiden toimintaa ohjaavista kääntölaitteista virtadataa, jonka laitoimme data-analytiikan avulla hyötykäyttöön.

Data-analytiikka ja Design Puzzle

Kun dataa on paljon, sen rajaaminen osatekijöihin auttaa hallitsemaan kokonaisuutta. Työstimme ratkaisua Design Puzzlellamme, joka ketteränä menetelmänä auttaa jäsentämään suuriakin kokonaisuuksia. Vaihe vaiheelta etenevässä prosessissa työ pilkotaan pienempiin ja helpommin pureksittaviin osiin. Tiivis yhteistyö VR FleetCaren kanssa takaa tarpeiden syvällisen kartoittamisen ja asiakkaaan tietämyksen hyödyntämisen. Työ sovitetaan asiakkaalle sopiviin resurssi- ja aikaraameihin, ja ratkaisua kohti liikutaan iteratiivisesti yksi osa-alue kerrallaan.

Jokaisella projektilla on omat erityispiirteensä. VR FleetCaren tapauksessa datasta puuttui tieto siitä, millaista vaihteenkääntöä mikin näyte kuvaa. Miljoonat datanäytteet täytyi jäsennellä, eikä työtä tarvinnut tehdä käsin. Hyödynsimme SOM-visualisaatiota, data-analytiikan menetelmää, jonka vahvuus on datan esilajittelu ja visualisointi kartalle. Näin luokittelemattomastakin datamassasta saadaan esiin erottavia ja yhdistäviä piirteitä, ja huomio pystytään kohdentamaan juuri niihin rajapintoihin, joissa normaalit näytteet kohtaavat vaihteen vikatilanteita ennakoivat muutokset. Tämän kriittisen informaation pohjalta voidaan muodostaa sääntöjä huollon tarpeen ennakoimiseksi.

Data-analytiikka siivittää tiedolla johtamista

Datan ymmärtäminen ja käyttöön valjastaminen mahdollistavat ennakoivan huollon. Samalla se avaa oven uusille ideoille ja liiketoimintamahdollisuuksille, jotka piilottelevat datamassan sisällä.

Tiedolla johtamisella tarkoitetaan ajantasaiseen tietoon perustuvaa päätöksentekoa. Jokainen organisaatio joutuu päivittäin monien tärkeiden operatiivisten päätösten eteen. Ajankohtainen tilannekuva ja ymmärrys päätösten seurauksista tukevat harkittua päätöksentekoa. Kun eri järjestelmissä tuotettu data pääsee data-analytiikan avulla oikeuksiinsa, datan ymmärtäminen syvenee ja liiketoiminnan päätöksenteon laatu paranee, oli kyse sitten ratainfran ennakoivasta huollosta tai muunlaisesta päätöksenteosta.

Dataa voi myös hyödyntää uusien liiketoimintamahdollisuuksien kehityksessä. Tällöin on keskeistä ymmärtää, mitkä johtopäätökset datasta ovat niin arvokkaita, että niiden varaan voi, kannattaa ja pitää rakentaa liiketoimintaa. Data-analytiikan menetelmät sekä asiakas ja tämän tietämys alastaan ovat keskeisessä asemassa kehitystyössä. Huldin Design Puzzle on toimiva tapa pohtia mahdollisuuksia systemaattisesti juuri asiakkaan yksilöllisestä näkökulmasta ja lähtökohdista.

Jos kiinnostuit ratainfran uusista teknologioista, osallistu kanssamme VR FleetCaren järjestämään SmartCare-seminaariin 30. maaliskuuta 2022. Business Unit Directorimme Timo Latvala on mukana päivän päättävässä paneelikeskustelussa, jonka aiheena on uudet teknologiat osana ratainfran kunnossapitoa. Keskustelussa pureudutaan muun muassa teknologian tuomiin haasteisiin ja mahdollisuuksiin osana prosesseja. Lue lisää ja ilmoittaudu etätapahtumaan mukaan täältä.