kunnossapito ja big data, selinummi jyrki

10
Älykkääseen yhteiskuntaan standardeilla 27.10.2016 Kunnossapito ja big data CTO Jyrki Selinummi Quva Oy

Upload: suomen-standardisoimisliitto-sfs-ry

Post on 08-Jan-2017

98 views

Category:

Technology


0 download

TRANSCRIPT

Page 1: Kunnossapito ja big data, Selinummi Jyrki

Älykkääseen yhteiskuntaan standardeilla

27.10.2016

Kunnossapito ja big data

CTO Jyrki Selinummi

Quva Oy

Page 2: Kunnossapito ja big data, Selinummi Jyrki

Älykkääseen yhteiskuntaan standardeilla

Forum 2016

27.10.2016

Jyrki Selinummi, CTO, Quva Oy

Finlandia talo 2 © Quva 2016

Page 3: Kunnossapito ja big data, Selinummi Jyrki

Sisältö

1. Quva Oy lyhyesti

2. Kunnossapidon big data case esimerkki

3. Quva:n ratkaisu

4. Datan hajanaisuus: Big datan haaste

5. Kehityskohteet

3 © Quva 2016

Page 4: Kunnossapito ja big data, Selinummi Jyrki

4

8 Maata 14 Pörssiyhtiötä asiakkaina 50% Tuottavuushyöty tavoitteena

“Toteutetussa projektissa varmistui, että Quvalla on kyky analysoida laajaa

datamäärää ja löytää sieltä olennaiset riippuvuudet, joiden avulla syntyviä

prosessiongelmia voidaan ennustaa etukäteen." Markku Kotajärvi, Kunnossapitopäällikkö, Nauhavalssaamo, SSAB EUROPE

Quva Oy: Teollisen big datan integrointi ja analytiikka

© Quva 2016

Page 5: Kunnossapito ja big data, Selinummi Jyrki

5

Sellu- ja paperitehtaiden datankeruu ja -analyysi

” Quva Oy:llä on rautainen osaaminen ja kyky louhia datamäärästä

olennainen tieto esiin. Saumaton yhteistyö yrityksen oman henkilöstön

ja analytiikan ammattilaisten kesken on vastaavissa hankkeissa

ehdoton asia.

Jari Collin, Tietojohtaja, Efora Oy (Stora-Enso:n tytäryhtiö)

Hyödyt:

- Huollon tarpeen arviointi

- Käyttökatkojen vähennys

- Taloudellisten tappioiden minimointi

Page 6: Kunnossapito ja big data, Selinummi Jyrki

Perusongelma: kokonaiskuvaa datasta ei nähdä

© Quva 2016 6

Page 7: Kunnossapito ja big data, Selinummi Jyrki

Quva® Flow: Palvelun kuvaus

7 © Quva 2016

Page 8: Kunnossapito ja big data, Selinummi Jyrki

Datojen hajanaisuus: Analytiikan haaste

• Big-datan suurin lisäarvo saadaan datojen automaattisesta analytiikasta

– Koneoppiminen

– Datalähtöinen mallien rakennus

• Käytäntö:

– Lukuisia datalähteitä

– Eri dataformaatteja, tietokantoja, tiedostoja

– Suljettuja/salattuja tiedostomuotoja

– Puutteellista dataa

• Datojen haku ja muokkaus analytiikalle sopivaan muotoon on

huomattavan työlästä

– Big data järjestelmän / projektin raskain osa saattaa olla dataintegraatio

– Analytiikkatoteutukselle vähemmän aikaa

• Hukattua aikaa ja resursseja!

8 © Quva 2016

Page 9: Kunnossapito ja big data, Selinummi Jyrki

Kehityskohteet!

• Datalähteiden yhtenäistäminen

– Standardit liitynnät datavirtoihin

– Avoimuus

– Yhtenäistetty tapa merkitä poikkeukset datassa

• Hyvin määritellyt rajapinnat

– Dokumentaatio

• Pilvipalveluiden huomiointi

– Vakioidut ja validoidut tietoturvakäytännöt

– Tiedonsiirto, tallennus, …

Kiitokset mielenkiinnosta!

9 © Quva 2016

Page 10: Kunnossapito ja big data, Selinummi Jyrki

www.quva.fi

Jyrki Selinummi

+358 44 0889942

[email protected]

”The real issue is making sense of big data and finding patterns in it that

help organizations make better business decisions.”

-Gartner

© Quva 2016 10