Data Relevantie – Cruciaal in Asset Performance Management
De kwaliteit van data is een lastig begrip; intuïtief kun je dit begrip wel benaderen: bijvoorbeeld data die ‘goed’ is. Het wordt al lastiger als er meerdere gebruikers van dezelfde data zijn, en nog lastiger als elk van deze gebruikers andere doelen wil bereiken met deze data.
Juist dat is de uitdaging waar grote asset owners voor staan in een tijd waarin databeschikbaarheid en -analyse een enorme vlucht nemen. Nu (I)IoT, Industrie 4.0, schaalbare opslag van data en toegankelijkere analysemogelijkheden leiden tot een nieuwe golf van ontwikkelingen op dit vlak is het verstandig om stil te staan bij de vraag: waarom is het belangrijk dat wij deze data op deze manier verzamelen en wat doen ‘we’ er mee?
Datakwaliteit
Datakwaliteit wordt uitgedrukt in de aspecten nauwkeurigheid, volledigheid, actualiteit, relevantie, consistentie (van data tussen verschillende bronnen en na verloop van tijd), betrouwbaarheid, juistheid van weergave of notatie en ook de toegankelijkheid.
Datakwaliteit is geen eenduidige parameter. Het is een perceptie of een uitkomst van een toetsing van kwaliteit ten opzichte van een bepaald doel en daarbij moet ook de omgeving of context waarin dat doel moet worden gehaald meegenomen worden. De eisen aan nauwkeurigheid of volledigheid van bepaalde meetgegeven kunnen voor dezelfde analyse in andere omgevingen verschillend worden gesteld.
Een voorbeeld: uw smartphone heeft een aantal sensoren aan boord: GPS, een kompas (magneto meter), een versnellingsmeter, een microfoon, een lichtsensor en misschien nog een vingerafdruk scanner. Met deze sensoren kunnen app-ontwikkelaars (voor u) meten hoe goed u slaapt, waar uw auto geparkeerd staat of hoeveel stappen u zet op een dag. U kunt ook een drone besturen, games spelen, etc. Deze sensoren heeft u dus al, maar welke informatie u van deze data maakt, bepaalt u zelf door het al dan niet combineren van deze sensordata via een app of toepassing.
Koppelen we dit aan de praktijk van Asset Management dan komen we data al heel vroeg in de levensloop van assets tegen. In de studie en de FEED fase (Front-End Engineering & Design) van een grote installatie worden verschillende databronnen geraadpleegd en worden veel berekeningen en modellen gemaakt. Niet alleen door de toekomstige asset owner maar ook door leveranciers, overheden en soms ook door omwonenden.
We komen in deze veelheid aan data al snel de kwaliteitsaspecten relevantie en toegankelijkheid tegen, want wat heb je aan data die nooit het antwoord gaat geven op jouw huidige en toekomstige vragen? Of aan data waarvan je weet dat die er moet zijn, maar waar je geen toegang (meer) toe hebt?
Het probleem met data is dat je vaak pas (te) laat ontdekt dat je de data nu nodig hebt. Dan is het vaak te laat om te starten met data verzamelen en het verrijken van data achteraf is een moeilijke en kostbare zaak. Ook kan de relevantie van data in een milliseconde van heel groot naar nul worden gereduceerd; bijvoorbeeld een alarmmelding die te laat wordt omgezet in preventieve actie(s). Denk aan uw Airbag die in enkele milliseconden moet worden opgeblazen onder bepaalde condities.
Datastrategie
Goede data is cruciaal voor het behalen van uw business doelen. Datakwaliteit start met relevantie: welke data is nodig? Elke organisatie zal regelmatig opnieuw moeten vaststellen welke data relevant is bij het realiseren van de bedrijfsdoelen. Deze doelen veranderen van tijd tot tijd en daarmee dus ook de relevantie van de data die moet worden verzameld, bewaard en beheerd.
|
Wat is data relevantie? Met andere woorden: de mate waarin de data antwoord geeft op of inzicht geeft in de vraag van de individuele gebruiker. |
Daarom zouden elke asset owner en de verschillende stakeholders in elke organisatie zo nu en dan moeten nadenken (voordenken) over welke vragen hij of zij volgend jaar zou willen beantwoorden aan de hand van een gedegen analyse van data. Pas als de gewenste (nieuwe) analyse gedefinieerd is, kan een datastrategie worden uitgewerkt en geïmplementeerd, waarop vervolgens alarmen kunnen worden geconfigureerd, dashboards worden aangepast etc.
De implementatie van deze nieuwe dashboards zal gemakkelijker zijn als de relevantie van de data aan iedereen duidelijk kan worden gemaakt: waarom moeten we deze data verzamelen en wie gaan deze data gebruiken? Dan is het ook mogelijk om ‘waarde’ aan data te koppelen en kan worden besloten op welke wijze de data zal worden verzameld, bewerkt en opgeslagen.
Laten we even kijken naar uw dagelijkse praktijk: u bent verantwoordelijk voor het beheer van een asset. Daarbij produceert uw asset veel data en heeft u veel databronnen. Het begon allemaal met tekeningen, specificaties, operating manuals, maintenance manuals, materiaal codes, bills of material en relevante interne normen. Al uw assets zijn door uw organisatie in het CMMS van functionele locaties voorzien en van TAG-nummers. Vanuit operations worden gebruik- of productiegegevens verzameld en dan zijn er nog inspectierapporten met foto’s, tekst, conclusies en aanbevelingen.
Wie is de eigenaar van de voor uw organisatie relevante data en wie gebruikt de data al? Deze vragen worden steeds dringender; apparaten en machines gaan steeds meer (in de breedte en de diepte) data produceren en al die data heeft betrekking op de staat van uw installatie en de performance van uw organisatie. Is de asset owner de eigenaar van deze data? En wat als hij of zij het nu niet met u eens is? Is het dan geen tijd om een eigenaar van elk stukje data aan te wijzen?
Eigenaarschap van data is vaak een sluitpost, een gedeelde verantwoordelijkheid in het domein van IT. Maar IT kan misschien het beste worden vergeleken met een boekdrukker, zij beheersen de techniek om informatie toegankelijk te maken en houden maar, zijn niet verantwoordelijk voor de inhoud!
Een goed voorbeeld vindt u op de website van PWN waar onderstaande materialiteitsmatrix het startpunt van de rapportage over de performance van de organisatie vormt.
Maar stellen we nu even dat de organisatiedoelen stabiel zijn, dan zien we dat uw bedrijfsmiddelen verouderen. Door deze veranderende conditie verandert de betrouwbaarheid van deze middelen en alleen daardoor al zal de informatiebehoefte over de betrouwbaarheid, performance of resterende levensduur van dat bedrijfsmiddel veranderen.
Vergelijk het met een ernstig zieke patiënt in een ziekenhuis die aan de hartbewaking ligt: het meten van de werking van het hart was niet relevant totdat er een incident was en dit kritische orgaan 24/7 wordt bewaakt totdat de problemen verholpen of onder controle zijn.
Kortom: datakwaliteit is geen constante. Het is contextgevoelig en vereist van tijd tot tijd aandacht van een brede groep van stakeholders in de organisatie om zo de relevantie in beeld te houden.