le tecnologie dell’internet of things e dei big data nel mondo del … · le tecnologie...

Università degli Studi di Brescia – Dipartimento di Ingegneria Meccanica e Industriale

Le tecnologie dell’Internet of Things e dei Big Data nel mondo del service:

analisi concettuale e ricerca sul campo

Candidato:

DAVIDE PICCHI

25/11/2019

Relatore: Ing. Nicola Saccani Correlatori: Ing. Daniela Bonetti

RISE – Research & Innovation for Smart Enterprises – www.rise.it Picchi Davide - Presentazione Bando ABSL - 25/11/2019 2

Contesto Obiettivi Metodologia Risultati

AGENDA

RISE – Research & Innovation for Smart Enterprises – www.rise.it 3

CONTESTO

«I prodotti connessi stanno completamente trasformando la catena del valore. Come risultato le aziende hanno ridefinito la loro struttura: rivedendo le loro strategie relative allo sviluppo del prodotto, al marketing e alle vendite, alla produzione e all’after-sales »

Porter and Heppelmann, 2015

«In risposta ai cambiamenti del mercato, le aziende manifatturiere, sono diventate maggiormente cliente centriche ed innovative. [..] In aggiunta si sono orientate ad offrire servizi, e ad impiegarli come elementi di differenziazione rispetto alla concorrenza. Aziende, nelle quali i servizi avevano già un peso rilevante hanno incrementato il loro ritorno sulle vendite»

Gebauer, 2011

Picchi Davide - Presentazione Bando ABSL - 25/11/2019

I mercati dei beni strumentali sono maturi e saturi, le aziende si stanno focalizzando sul business dei servizi per intensificare la relazione con i clienti

I produttori industriali di beni e servizi, per difendere il loro vantaggio competitivo e per incrementarlo devono implementare le nuove tecnologie digitali: IoT e Big Data


IOT & BIG DATA all’interno dei servizi: DIGITAL SERVICES

I digital services, a differenza di quelli tradizionali offrono supporto ai clienti, mediante piattaforme digitali in grado di raccogliere ed elaborare dati, da cui si ricavano informazioni di valore, da trasferire mediante servizi dedicati e progettati per adattarsi alle esigenze del cliente.

Controllo ed ottimizzazione del processo produttivo

Maggior supporto al cliente Riduzione dell’impatto del tempo di fermo

macchina sui costi del cliente Ottimizzazione dei costi produttivi e

miglioramento dell’efficienza interna Distribuzione condivisa tra fornitore e

cliente sul grado di rischio relativo al prodotto

Incremento del livello di qualità dei servizi

Approfondimento della conoscenza sul parco installato

Miglioramento della formazione dei tecnici e del supporto offerto durante gli interventi

Significativo miglioramento della relazione con i clienti

SFIDE BENEFICI


Bassa propensione dei clienti a concedere dati Barriere culturali inerenti all’impiego dei dati e ai benefici ottenibili Aggiornamento del parco macchine, delle infrastrutture IT Inserimento di personale con competenze trasversali: meccaniche e digitali Revisione del Business model aziendale Difficoltà nell’attribuire un valore monetario ai servizi Difficoltà delle vendite nel far percepire i vantaggi dei servizi digitali Integrazione di piattaforme digitali Riduzione della verticalità aziendale, formazione di team inter-funzionali

RISE – Research & Innovation for Smart Enterprises – www.rise.it

OBIETTIVI G

AP

OB

IETT

IVI


OB. 1: Quali sono i fattori che permettono di individuare una gestione del dato in grado di creare valore?

OB. 2: Quali sono le potenzialità delle aziende nel business dei servizi digitali?

OB. 3: Quali sono le azioni necessarie per implementare con successo l’Iot e Big Data nelle aziende manifatturiere e nei loro servizi?

5

Metodologia

Nessun strumento in grado di misurare le potenzialità delle aziende nel business dei servizi digitali

Mancanza di un modello di analisi specifico per il settore manifatturiero

Pochi modelli in grado di unire i fattori rilevanti per la gestione dei dati all’interno delle aziende

Non si hanno feedback, sulla reale maturità delle aziende nell’impiego di IoT e Big Data, per il business dei servizi

CO

NTR

IBU

TI

1. Modello di analisi sulla gestione dei dati provenienti dai prodotti connessi 3. Linee guida di sviluppo

2. Modello di misura sulle potenzialità delle aziende nel business dei servizi

digitali


PRESENTAZIONE RISULTATI

ANALISI DEI DATI

RACCOLTA DATI COSTRUZIONE DATABASE

Data preparation

6

METODOLOGIA – ATTIVITÀ

Analisi SINGLE-case e

CROSS-case

Proposta linee guida di sviluppo

Data collection Data analysis Results and conclusion

Report intervista 1 Report intervista 2

Report sintesi; Report benchmark


Progettazione dei modelli di

analisi

Questionario Preliminare (QP) Analisi Esplorativa Analisi di dettaglio

Spunti per ricerche future e miglioramenti dei modelli

ANALISI EMPIRICA

Team di lavoro universitario

Membri delle aziende

Workshop aperto ai membri della community ASAP SMF

Dic -17 Feb- 18 Mag- 18 Ott- 18 Dic- 18 Gen- 19


CONTRIBUTI

GAP

OB. 1: Quali sono i fattori che permettono di

individuare una gestione del dato in grado di creare

valore?

OB. 2: Quali sono le potenzialità delle aziende nel business dei servizi

digitali?

OB. 3: Quali sono le azioni necessarie per

implementare con successo l’Iot e Big Data

nelle aziende manifatturiere e nei loro servizi? O

BIE

TTIV

I

Picchi Davide- Discussione tesi di Laurea - 12/02/2019 7

CO

NTR

IBU

TI

Metodologia

Nessun strumento in grado di misurare le potenzialità delle aziende verso il business dei servizi digitali

Mancanza di un modello di analisi specifico per il settore manifatturiero

Pochi modelli in grado di unire i fattori rilevanti per la gestione dei dati all’interno delle aziende

Non si hanno feedback, sulla reale maturità delle aziende nell’impiego di IoT e Big Data, per il business dei servizi

1. Modello di analisi sulla gestione dei dati provenienti dai

prodotti connessi 3. Linee guida di sviluppo

2. Modello di misura sulle potenzialità delle aziende nel business dei servizi digitali


1. MODELLO DI ANALISI

Picchi Davide - Presentazione Bando ABSL - 25/11/2019 8

Il modello ha una struttura a matrice, ed è suddiviso su due livelli: • Livello I: Dimensioni • Livello II: Variabili

Organizzazione

•Controllo fase •Maturità aziendale •Condivisione dell’informazione

Infrastrutture Tecnologiche

•Tecnologia impiegate •Progetti IT

Flusso Dati

•Efficacia dei dati •Dimensione del parco connesso •Fasi ciclo vita prodotto coinvolte •Continuità e sincronismo del processo di gestione •Criteri di selezione dei dati •Qualità interfaccia dati •Modalità di impiego dei dati

Scopo

•Impatto dei dati sui servizi •Strategia di lungo periodo sull’impiego dei dati

RACCOLTA VISUALIZZAZIONE ELABORAZIONE UTILIZZO Dimensioni Variabili

CICLO DI GESTIONE DEL DATO


SCALA DI VALUTAZIONE Li

velli

di v

alut

azio

ne Alto

Variabile di alto livello, segue le linee di sviluppo tracciate dai casi notevoli e best in class

Medio Variabile di buon livello, ma da consolidare. Presenta aspetti specifici da migliorare Basso

Variabile che presenta lacune gravi, rispetto alle migliori best practices individuate

Picchi Davide- Discussione tesi di Laurea - 12/02/2019

• Per ciascuna variabile impiegata nei modelli, sono stati definite le caratteristiche che ne determinano il livello di valutazione;

• Metodo di valutazione standardizzato per tutti i modelli, per ciascun livello corrisponde un punteggio numerico su una scala da 1 (Basso) a 3 (Alto)

1

2

3


2. RISULTATI OTTENUTI Risultati aggregati sulle fasi del ciclo del dato

1

2

3

RACCOLTA VISUALIZZAZIONE ELABORAZIONE UTILIZZO

CASO A CASO B CASO C CASO D CASO E MEDIA

• La fase di raccolta si attesta su un livello intermedio, tuttavia ci sono discrepanze nel campione: alcune aziende presentano aspetti consolidati, mentre altre hanno criticità relative ai criteri di selezione dei dati, al dataset impiegato e alla continuità del processo

• La fase di visualizzazione si colloca su un livello intermedio, tuttavia ci sono delle differenze: un caso presenta dei punti di forza inerenti alla selezione dei dati, mentre il resto del campione ha criticità inerenti all’interfaccia dati, poco User friendly

• La fase di elaborazione è quella più critica: il campione esegue analisi poco dettagliate, ed effettuate manualmente in base all’esperienza del personale. Ciò, è poco compatibile con i Big Data, sfruttando in maniera limitata i relativi benefici

• La fase di utilizzo dei dati presenta risultati discordanti: in alcuni casi, le aziende attraverso i dati hanno migliorato la competitività aziendale, al contrario i casi peggiori hanno evidenziato uno scarso impatto dei dati sui servizi


Utilizzo di piattaforme Cloud e

applicazioni per la diffusione e l’archiviazione dei dati;

Sviluppo di pratiche formalizzate per l’analisi dei dati;

3. LINEE GUIDA DI SVILUPPO


Maggior condivisione, dei dati tra i membri aziendali, attraverso strumenti User friendly

Modalità di impiego dei dati trasversali

all’intera catena del valore dell’azienda

Formazione di team di lavoro inter-funzionali, responsabili del ciclo di gestione del dato

Determinare precisi criteri di selezione dei dati, al fine di migliorare l’efficacia tra benefici e costi dell’informazione

Costante monitoraggio del ciclo di gestione dei dati, orientato ad un continuo miglioramento


2. MODELLO DI MISURA SULLE POTENZIALITÀ DELLE AZIENDE NEL BUSINESS DEI SERVIZI DIGITALI

Dimensione Variabili Dati Azienda n Requisiti servizio n Fattibilità del

servizio

Base installata • Dimensione parco connesso

Prodotto

• Complessità prodotto • Grado di personalizzazione del cliente • Vita utile • Tipologia impianto

Competenze

• Livello di gestione del dato • Competenze tecnologiche • Capacità di segmentare la clientela • Livello attuale dei servizi

Posizione nella Filiera

• Livello di relazione con l’utente finale • Controllo dei dati trasmessi dall’utente finale

Cliente

• Tipologia cliente • Distribuzione geografica • Livello competenze tecniche • Impatto downtime prodotto sul processo del cliente • Disponibilità a concedere dati

• Confrontando i dati dell’azienda con i requisiti del servizio, si determina se esso può essere offerto, o in caso contrario si determinano le eventuali infattibilità;

• Applicando il modello ad un portafoglio di servizi digitali di riferimento (composto da 35 items) si è definito per ciascuna azienda il potenziale portafoglio digitale, valutato in base alla percentuale di servizi fattibili.


2. RISULTATI OTTENUTI

Principali criticità emerse: • Fattori culturali: i clienti sono scettici

nell’esternalizzare i dati, relativamente ai temi della sicurezza e della privacy;

• Analisi poco efficaci, nel fornire informazioni di valore dai dati elaborati;

• Le aziende non conoscono con esattezza l’andamento delle prestazioni del parco connesso, durante le diverse fasi del ciclo di vita dei prodotti;

• Difficoltà nel rivedere il business model aziendale, che deve orientarsi verso soluzioni flessibili in grado di adattarsi alle esigenze del cliente.

0%

25%

50%

75%

100% CASO A

CASO B

CASO C CASO D

CASO E

AS-IS TO-BE


3. LINEE GUIDA DI SVILUPPO

Incremento nella segmentazione della clientela

Maggior orientamento del business model ai servizi, ponendo al centro il cliente e i suoi bisogni

Sviluppo di indicatori di performance chiave per il processo del cliente, in modo tale da offrire soluzioni flessibili e migliorare la customer relationship


DIGITAL SERVICE Capacità nel far percepire i valori dei dati ai

clienti, superando le barriere culturali

Analisi costante sull’andamento delle prestazioni del parco connesso, al fine di anticipare guasti e malfunzionamenti

Sviluppo di app, per una relazione più intensa e diretta con l’utente finale

Incremento della dimensione del parco connesso, così da approfondire la conoscenza sul comportamento dei prodotti


• Il lavoro ha identificato carenze nella letteratura, inerente sullo sviluppo delle tecnologie IoT & Big Data, nell’ambito dei servizi digitali all’interno del settore manifatturiero;

• Sono stati sviluppati 2 modelli di analisi e valutazione per sopperire ai gap emersi dalla letteratura e sono state fornite linee guida di sviluppo;

• I modelli sono stati applicati in modo qualitativo e quantitativo su 5 casi di studio.

Prossimi passi • Ampliamento dell’applicazione empirica; • Applicazione su più settori industriali, in modo da avere una panoramica più ampia sul

fenomeno.

Conclusioni

Università degli Studi di Brescia – Dipartimento di Ingegneria Meccanica e Industriale

Le tecnologie dell’Internet of Things e dei Big Data nel mondo del service:

analisi concettuale e ricerca sul campo

Grazie per l’attenzione!

Davide Picchi

le tecnologie dell’internet of things e dei big data nel mondo del … · le tecnologie...

Documents