«منشأ داده‌های ضعیف در نگهداری کجاست و چگونه می‌توان آن را اصلاح کرد»

«منشأ داده‌های ضعیف در نگهداری کجاست و چگونه می‌توان آن را اصلاح کرد»

ارزش داده‌ها در برنامه‌های نگهداری: چرا همه داده‌ها یکسان نیستند

مقدمه
 داده‌ها (Data) به‌عنوان ستون فقرات هر برنامه نگهداری و تعمیرات شناخته می‌شوند. از طریق داده‌هاست که عملکرد اندازه‌گیری می‌شود، موفقیت تعریف می‌گردد و اولویت‌های مرتبط با دارایی‌ها (Assets) تعیین می‌شوند. داده‌ها مبنایی برای تصمیم‌گیری درباره اینکه کدام دارایی به توجه بیشتر نیاز دارد و این امر چه اثری بر برنامه زمان‌بندی خواهد داشت، فراهم می‌کنند. افزون بر این، داده‌ها نقش حیاتی در گذر موفقیت‌آمیز از ارزیابی‌های نگهداری (Maintenance Audits) ایفا می‌کنند. به بیان دیگر، داده‌ها زبانی هستند که روایتگر واقعیت عملکرد تیم‌های نگهداری‌اند.

داده‌های نابرابر در کیفیت و ارزش
 با وجود این جایگاه مهم، باید تأکید کرد که تمام داده‌ها از ارزش و کیفیت یکسان برخوردار نیستند. در بسیاری از موارد، داده‌های ثبت‌شده نمی‌توانند آنچه را باید منتقل کنند به‌درستی بازتاب دهند. برای نمونه، جیسون آفارا (Jason Afara)، مهندس ارشد راهکار در شرکت Fiix، به تجربه خود در دوران مدیریت نگهداری اشاره کرده است. وی توضیح می‌دهد که در تیم او تعداد تکنسین‌ها بیشتر از تعداد مجوزهای نرم‌افزار CMMS (Computerized Maintenance Management System) بود. این موضوع باعث می‌شد برخی از کارکنان پس از تکمیل کار، جزئیاتی را که صرفاً به یاد می‌آوردند در دستورکارها (Work Orders) ثبت کنند. چنین رویکردی باعث می‌شد داده‌ها فاقد دقت کافی باشند و همین مسئله به کاهش اعتبار تیم نگهداری منجر می‌گردید.

هزینه‌های ناشی از داده‌های ضعیف
 پیامدهای داده‌های ضعیف فراتر از یک مسئله فنی است و تأثیر مستقیمی بر مدیریت و تصمیم‌گیری‌های کلان دارد. هنگامی‌که داده‌ها دقیق نباشند، دفاع از نیازهای تیم نگهداری دشوار می‌شود. در چنین شرایطی توجیه خرید تجهیزات جدید، اختصاص زمان تولید برای انجام فعالیت‌های نگهداری یا حتی جذب نیروی انسانی جدید دشوار خواهد بود، زیرا داده‌های معتبر برای پشتیبانی از این تصمیم‌ها وجود ندارد.

این مسئله در عملیات روزمره نیز بروز پیدا می‌کند. به‌عنوان مثال، ممکن است یک تکنسین ثبت گزارش کارهای انجام‌شده را به پایان روز موکول کند. این فاصله زمانی احتمال خطا در ثبت اطلاعات را افزایش می‌دهد؛ برای نمونه، مدت زمان واقعی اجرای کار کوتاه‌تر از حد واقعی درج می‌شود. چنین خطایی در نگاه نخست کوچک به نظر می‌رسد، اما در عمل پیامدهای گسترده‌ای دارد.

اثر دومینویی داده‌های نادرست
 یک اشتباه کوچک می‌تواند به ایجاد اثر دومینویی (Domino Effect) منجر شود. در صورت برنامه‌ریزی مجدد برای همان کار، زمان کمتری تخصیص داده می‌شود. این امر تکنسین را وادار می‌کند کار را با عجله انجام دهد، که در نتیجه ریسک برای فرد و همچنین برای ماشین‌آلات افزایش می‌یابد. علاوه بر این، برآورد نادرست نفر-ساعت (Labor Hours) در بودجه باعث کم‌نمایی هزینه‌های واقعی می‌شود و مدیریت مالی را با چالش مواجه می‌سازد.

نتیجه‌گیری
 بنابراین، کیفیت داده‌ها نه‌تنها بر کارایی برنامه‌های نگهداری، بلکه بر اعتبار تیم، تصمیم‌گیری‌های مدیریتی و سلامت مالی سازمان نیز تأثیر مستقیم دارد. داده‌های نگهداری زمانی ارزشمند خواهند بود که دقیق، به‌موقع و منطبق بر واقعیت باشند.

بیایید بررسی کنیم داده‌های نگهداری در کدام بخش‌ها می‌توانند دچار خطا شوند و چگونه می‌توان با انجام یک ارزیابی داده‌ها (Data Audit) مسیر را اصلاح کرده و آن را در جهت مطلوب هدایت نمود.

عوامل اصلی ایجاد داده‌های نادرست

۱. تلاش برای انجام بیش از حد فعالیت‌ها با داده (Trying to Boil the Ocean)

بسیاری از تیم‌های نگهداری به‌صورت شتاب‌زده می‌کوشند حجم زیادی از فعالیت‌های مرتبط با داده را در مدت کوتاه انجام دهند. در حالی‌که توانایی ثبت و ردیابی شاخص‌ها ارزشمند است، نبود یک برنامه‌ریزی دقیق برای تعیین چه چیزی و چرا باید اندازه‌گیری شود، مشکلات متعددی ایجاد می‌کند.

ظهور فناوری اینترنت صنعتی اشیا (Industrial Internet of Things – IIoT) و توسعه حسگرهایی که رفتار دارایی‌ها را به‌صورت لحظه‌ای مانیتور می‌کنند، امکان گردآوری حجم عظیمی از داده‌ها را فراهم ساخته است. مشکل اصلی مدیران نگهداری از زیادی بودن داده‌ها ناشی نمی‌شود، بلکه از ناتوانی در استخراج داده‌های معنادار (Meaningful Data) به وجود می‌آید.

براندون دِ مِلو (Brandon De Melo)، مدیر موفقیت مشتری در شرکت Fiix، توضیح می‌دهد:
 «فرض کنید حسگری دارید که داده‌های یک ماشین را جمع‌آوری می‌کند. این ارزشمند است، اما کافی نیست. باید سایر عوامل اثرگذار بر این داده را نیز در نظر گرفت؛ مانند زمان‌های توقف (Downtime) یا عوامل بیرونی که می‌توانند نتیجه را تغییر دهند.»

۲. نبود نگاه انتقادی به شاخص‌ها (Metrics)

هر تیم نگهداری با مجموعه‌ای از شاخص‌های کلیدی عملکرد (KPIs) ارزیابی می‌شود؛ بااین‌حال، پرسش اصلی این است که آیا این شاخص‌ها واقعاً مناسب‌اند؟ همان‌طور که استوارت فرگوسن (Stuart Fergusson)، مدیر مهندسی راهکار در Fiix، بیان می‌کند، سازمان‌ها به‌سادگی گرفتار چرخه‌ای می‌شوند که صرفاً شاخص‌هایی مانند نفر-ساعت (Labour Hours) را دنبال می‌کنند، زیرا مدیران بالادستی آن را مطالبه کرده‌اند.

لازم است به شاخص‌ها با نگاهی انتقادی توجه شود و بررسی گردد که آیا اندازه‌گیری آن‌ها ضرورتی دارد یا خیر. فرگوسن خاطرنشان می‌کند:
 «در نهایت باید شاخص‌هایی سنجیده شوند که به‌طور واقعی از عملکرد بخش نگهداری پشتیبانی می‌کنند. افراد اندکی واقعاً می‌دانند چرا چیزی را که اندازه‌گیری می‌کنند، می‌سنجند.»

بروز داده‌های نادرست در بخش‌های مختلف برنامه نگهداری

۱. در برنامه نگهداری پیشگیرانه (Preventive Maintenance Schedule)
 هر تیم نگهداری فهرستی از فعالیت‌های PM (Preventive Maintenance) دارد، اما پرسش اصلی این است که چه تعداد از این فعالیت‌ها واقعاً ضروری هستند.
 به‌گفته‌ی آفارا (Afara):
 «نگهداری می‌تواند خیلی سریع حالت احساسی پیدا کند. اصطلاحی وجود دارد به نام PM احساسی (Emotional PM)؛ یعنی تیم به‌طور منظم کاری را انجام می‌دهد صرفاً به این دلیل که شش مدیر پیشین کارخانه با خرابی مشابهی مواجه شده بودند و از آن زمان تاکنون، هیچ‌کس برنامه را بازنگری نکرده است.»

ادامه‌ی بدون پرسش چنین فعالیت‌هایی، زنجیره‌ای از اقدامات غیرضروری ایجاد می‌کند و تصویری نادرست از نیازهای واقعی نگهداری به دست می‌دهد. این مسئله در بلندمدت منجر به هدررفت منابع و تضعیف اثربخشی برنامه‌های پیشگیرانه می‌شود.

۲. در دستورکارها (Work Orders) و سوابق دارایی‌ها (Asset Histories)
 بروز خطا در داده‌ها هنگام مستندسازی فعالیت‌های نگهداری بسیار آسان است و نیازمند شرایط پیچیده‌ای نیست. هنگامی‌که اولویت‌های سازمانی به‌درستی تعریف نشده باشند، توجه کارکنان به موضوعات کم‌اهمیت یا اشتباه معطوف می‌شود.

آفارا توضیح می‌دهد:
 «آنچه معمولاً رخ می‌دهد این است که تمرکز بیش از حد روی زمان تکنسین‌ها گذاشته می‌شود. پیامی از سوی مدیریت صادر می‌شود که “باید هر دقیقه ثبت شود.” در نتیجه، تکنسین‌ها زمان‌های غیرواقعی در دستورکارها وارد می‌کنند تا نشان دهند همان هشت ساعت کاری را که از آن‌ها انتظار رفته انجام داده‌اند.»

مشکل اصلی در این وضعیت، فقدان برنامه‌ریزی دقیق و استراتژیک است. تمرکز صرف بر یک شاخص (Metric) و بی‌توجهی به استراتژی کلان، داده‌هایی را به وجود می‌آورد که حقیقت را بازتاب نمی‌دهند و در تصمیم‌گیری‌های مؤثر نیز قابل اتکا نیستند.

۳. در گزارش‌های نگهداری (Maintenance Reports)
 تمام مجموعه داده‌ها نوسانات طبیعی شامل افزایش‌ها و کاهش‌ها دارند. نکته‌ی حیاتی این است که این تغییرات چگونه تحلیل و تفسیر شوند.

به گفته‌ی دِ مِلو (De Melo):
 «آیا واقعاً سیستمی وجود دارد که توضیح دهد، برای مثال، چرا یک افت در ماه سپتامبر رخ داده و دوباره در ژانویه تکرار شده است؟»

در نبود تحلیل انتقادی و درک روشن از عواملی که به ایجاد یک ناهنجاری (Anomaly) منجر می‌شوند، ردیابی نوسانات داده‌ها بی‌فایده خواهد بود. در گام نخست باید مشخص شود چه اتفاقی رخ داده است؛ سپس می‌توان بررسی کرد که چه اقداماتی می‌توانست به شکل متفاوتی انجام شود.

چگونه داده‌های نگهداری را ارزیابی کنیم (How to Audit Maintenance Data)

با روشن شدن کانون‌های ضعف در داده‌های نگهداری، مسیر اصلاح نیز قابل ترسیم است. نقطه‌ی شروع مناسب، همان جایی تعیین می‌شود که مسئله‌ای مشاهده شده اما توضیح معتبری برای علت آن در دست نیست.
 دِ مِلو (De Melo) تصریح می‌کند: «اگر مشخص نباشد چرا توقفات برنامه‌ریزی‌نشده (Unplanned Downtime) زیاد است و مرور داده‌ها نیز کمکی نمی‌کند، لازم است با مدیر تولید گفتگو شود و پرسش‌هایی از این دست مطرح گردد: “این رویداد چگونه ثبت می‌شود؟ آیا سامانه‌ای برای آن وجود دارد؟” همواره فرایندی برای دسترسی به اطلاعات درست باید دنبال شود؛ انتظارِ منفعلانه برای یافتن پاسخ، راهگشا نخواهد بود.»

ایجاد یک چک‌لیست برای ارزیابی داده‌ها (Data Audit Checklist)

برای طراحی چک‌لیست، اتخاذ رویکردی استراتژیک توصیه می‌شود. به‌گفته‌ی De Melo، برگزاری جلسه با ذی‌نفعان کلیدی—از جمله مدیران کارخانه و تکنسین‌ها—به‌منظور طوفان فکری پیرامون مواردی که نیازمند بهبود یا درک عمیق‌تر هستند، ضروری است. پس از شفاف‌سازی اهداف و نیازهای اطلاعاتی، چک‌لیستی سازگار با همان اهداف تدوین خواهد شد.

بهترین داده‌های نگهداری، داده‌های هدفمند هستند (The Best Maintenance Data is Data with a Purpose)

اتخاذ رویکردی انتقادی و هدفمند در ارزیابی داده‌های نگهداری تضمین می‌کند که هر قلم داده صرفاً به‌دلیل وجود، ردیابی و تحلیل نشود، بلکه برای هر سنجه و گزارش دلیل مشخص تعریف گردد. با این رویکرد، پیوندهای میان اجزای داده‌ها بهتر درک می‌شود و به‌جای اصلاحات جزئی و کم‌اثر در حاشیه، بهبودهای واقعی در برنامه‌های نگهداری محقق می‌گردد.
 فرگوسن (Fergusson) خاطرنشان می‌کند: «درک دقیق فعالیت‌های نگهداری، زمینه را برای همراستایی سایر اجزا فراهم می‌کند. ممکن است رهبری کارخانه با مفاهیمی چون بک‌لاگ نگهداری (Maintenance Backlog) یا اضافه‌کاری (OT) آشنایی نداشته باشد؛ اما اگر توضیح داده شود که تعویق یک بازه‌ی نگهداری، به دلیل X، Y و Z، ۲۵۰ هزار دلار به بودجه‌ی نگهداری خواهد افزود—و داده‌های درست برای پشتیبانی این ادعا ارائه شود—به موضوع توجه خواهد شد.»

در نهایت، داده ساده‌ترین بخش است

به تصریح Fergusson: «چنانچه فرهنگ مناسب، شاخص‌ها (Metrics)، نیروی انسانی شایسته و فرایندهای روشن برای ثبت وجود داشته باشد، نبودِ داده‌ی واقعی مشکل بزرگی محسوب نمی‌شود—زیرا می‌توان ظرف یک هفته سامانه‌ی گردآوری را برقرار کرد.»
 او می‌افزاید: «با این حال، در عمل غالباً وضعیت معکوس مشاهده می‌شود: داده‌ها به‌وفور در جریان‌اند و هرکس تنها بخشی از آن‌ها را می‌بیند، بی‌آن‌که در نهایت به یک روایت منسجم و قابل اتکا تبدیل شوند.»

Powered by Froala Editor