Reliability Engineering en Data Science: een gouden formule voor lange termijn innovatiesucces

Dorien Lutgendorf is Senior Reliability Specialist bij Holland Innovative – waar projectmanagement, productontwikkeling en reliability engineering centraal staan. Cliënten zijn onder meer ASML, VanderLande, ABB en de Johan Cruijff ArenA.

Ik geef toe, ik ben een beetje een nerd. Waarschijnlijk raakte ik daarom zo enthousiast over reliability engineering. Niet bepaald het hipste vakgebied binnen productontwikkeling. Toch is reliability – kennis over de levensduur van producten – een must voor innovatie op de lange termijn. En het vakgebied is een stuk interessanter geworden met de recente toevoeging van data science. Door deze twee te combineren kunnen bedrijven die met productontwikkeling bezig zijn, van design tot lancering en daarna, zich een boel hoofdpijn besparen. Laat me uitleggen waarom.

Waarom is reliability engineering eigenlijk belangrijk? Als bedrijven een nieuw product ontwikkelen, concentreren ze zich bijna uitsluitend op functionaliteit. Hun nieuwe product moet het domweg doen zodra het van de fabrieksband rolt. Echter, hoe lang het product het blijft doen en wanneer het mag stukgaan – deels afhankelijk van hoe, wanneer en waar consumenten het gebruiken – zijn vragen die zelden worden gesteld. En nog minder vaak worden beantwoord.

Het vangnet van innovatie

Dit is waar reliability engineering om de hoek komt kijken. Via het verzamelen van data, het opstellen van functionaliteitseisen en laadprofielen, het uitvoeren van risicoanalyses en het ontwerpen van veldtesten, probeert een reliability engineer (RE) een zo duidelijk mogelijk beeld te krijgen van hoe het nieuwe product het ook vele jaren in de toekomst blijft doen. Reliability is het vangnet van innovatie, dat ervoor zorgt dat je nieuwe product robuust genoeg is om heelhuids zijn voorspelde levensduur vol te maken.

Neem een bedrijf dat een nieuwe versnellingsbak maakt voor een auto. Om de levensduur van die versnellingsbak vast te stellen, moet een RE onder meer bepalen hoe vaak gebruikers van de tweede naar de derde en van de derde naar de vierde versnelling schakelen. Zo zal hij of zij een goed beeld krijgen van de krachten die op de afzonderlijke versnellingen inwerken en kunnen de ingenieurs het ontwerp desgewenst bijstellen. Later in het proces ontwerpt de RE een testplan om zo een zo nauwkeurig mogelijke inschatting te krijgen hoe lang de versnellingsbak blijft functioneren voordat er iets kapot gaat en het voor onderhoud terug moet naar de fabriek.

Veel te optimistisch

Toch is reliability engineering voor veel bedrijven bijzaak. Het is schokkend hoe vaak ik een glazige blik terugkrijg als ik managers of ingenieurs vraag hoe lang zij verwachten dat hun product het blijft doen voordat er een mankement of defect optreedt. Want zonder deze cruciale informatie loop je het risico dat je onderhoudsafdeling overbelast raakt wanneer de versnellingsbakken allemaal na één jaar terugkomen om gerepareerd te worden.

Er zijn talloze voorbeelden van bedrijven die de hoofdprijs betalen voor het negeren van hun reliability huiswerk. Vaak denken ze dat een simpele functionaliteitstest voldoende is. Oké, het product werkt, maar werkt het ook nog na vijf jaar? De meeste bedrijven zijn veel te optimistisch als het om reliability testen gaat. Ze denken dat het allemaal wel los zal lopen. Wanneer er dan toch iets gebeurt is het te laat om er iets aan te doen. Een lang verhaal kort: reliability serieus nemen verbetert de levensduur van producten, bespaart onderhoudskosten en voorkomt pijnlijke incidenten en ongelukken.

Time To Market stress

Eén van de problemen is dat in productontwikkeling van vandaag de dag de Time To Market (TTM), oftewel de tijd van ontwerp naar lancering, allesoverheersend is geworden. Onder druk van TTM worden producten gelanceerd zonder deugdelijke reliability tests, soms met rampzalige gevolgen. Denk bijvoorbeeld aan Samsung, die zijn gloednieuwe Galaxy Note 7 telefoons in 2016 moest terugroepen nadat ze spontaan in brand vlogen in de tassen en broekzakken van gebruikers. Door genoeg tijd en aandacht aan reliability testen te besteden zijn dit soort incidenten te voorkomen.

Als er onverhoopt toch te weinig tijd is om goed te testen, is het essentieel om de prestaties van je product de eerste maanden na de lancering heel goed te monitoren. Met behulp van betrouwbare data science en kwaliteit van data science van de eerste gebruikers kun je het product aanpassen en later alsnog een verbeterde en geüpdatete versie uitbrengen. Dan moet natuurlijk wel de feedback loop van die eerste gebruikers goed worden geïmplementeerd.

Vandaar dat betrouwbare voorspellingen met data science zo’n waardevolle aanvulling is op reliability engineering. Kwaliteit van data is altijd belangrijk geweest voor het vaststellen van levensduur, maar omdat data nu overal vrijelijk beschikbaar is zijn de mogelijkheden eindeloos. Naast de real-time feedback van de eerste gebruikers kun je ook iedere machine of product individueel volgen, wat onderhoud veel efficiënter en goedkoper maakt. Daarnaast geeft waardevolle informatie over de laadprofielen van verschillende consumenten je de kans om verbeteringen in een vroeg stadium door te voeren.

Patronen en trends ontdekken

Laat me dit illustreren met het voorbeeld van een bedrijf dat windmolens op zee installeert. Als hun installatiemateriaal ergens op open zee kapot gaat, moet de onderhoudsafdeling de reserveonderdelen per helicopter invliegen – een peperdure operatie. Door via data science je materieel digitaal te monitoren, kun je gedetailleerde gebruikers- en laadprofielen maken. Door vast te leggen hoe lang en hoe frequent de materialen worden gebruikt, welke weersomstandigheden ze te verduren hadden, etcetera, kun je precies voorspellen wanneer een bepaald materiaal een onderhoudsbeurt nodig heeft en dus betrouwbare voorspellingen met data science maken. En dat onderhoud kan dan plaatsvinden aan land is, in plaats van dat het materiaal ergens hulpeloos op zee ronddobbert.

Het is best een uitdaging om data uit al die verschillende bronnen binnen en buiten het bedrijf te verzamelen. Zo heb je data van de ingenieursafdeling nodig over technische details, data van de klantenservice over problemen en mankementen, data van de verkoopafdeling over hoeveel producten er in het veld circuleren en data van de gebruikers zelf. Het vereist een beetje IT kennis om de data te verzamelen en vervolgens op een intelligente manier aan elkaar te knopen om betekenisvolle trends en patronen te ontdekken.

Daarbij ook een waarschuwing. Het is makkelijk om een willekeurige dataset te pakken en daar patronen uit af te leiden, maar datasets kunnen ingebouwde vooroordelen hebben of incompleet zijn. Dan betekenen de patronen en trends niet zoveel en kan het zelfs gevaarlijk zijn om er zakelijk proposities op te bouwen. Je hebt statistische kennis nodig om te kunnen beoordelen wat een dataset wel en niet laat zien.

Holland Innovative & The Hague Tech