10 กรณีศึกษาสมาร์ทแฟกทอรี ผลลัพธ์จริงแยกตามขนาดและอุตสาหกรรม

คำว่าสมาร์ทแฟกทอรีเป็นคำที่ได้ยินกันจนคุ้นหูแล้ว แต่พอถามว่าโรงงานของตัวเองควรทำอะไร ทำไปถึงระดับไหน และจะได้ผลตอบแทนกลับมาอย่างไร กลับมองไม่ออก นี่คือเสียงที่ได้ยินบ่อยที่สุดจากผู้บริหารโรงงานในประเทศไทยและอาเซียน คำอธิบายเชิงแนวคิดนั้นมีให้อ่านล้นตลาดอยู่แล้ว แต่สิ่งที่ใช้ตัดสินใจได้จริงคือข้อมูลว่าโรงงานที่มีขนาดและประเภทอุตสาหกรรมใกล้เคียงกับเราทำอะไรไป แล้วอะไรเปลี่ยนไปบ้าง บทความนี้จึงรวบรวมกรณีศึกษาสมาร์ทแฟกทอรี 10 กรณี แบ่งตามมุมมอง 4 กลุ่ม ได้แก่ องค์กรขนาดใหญ่ โรงงานขนาดกลางและเล็ก อุตสาหกรรมแปรรูปอาหาร และฐานการผลิตในเอเชียตะวันออกเฉียงใต้ พร้อมระบุชื่อบริษัท ประเทศ เทคโนโลยีที่นำมาใช้ และตัวเลขผลลัพธ์ตามที่แหล่งข้อมูลรายงานไว้

ทำไมการเริ่มจากกรณีศึกษาจึงเร็วกว่าการถกกันเชิงแนวคิด

เหตุผลที่การพิจารณาเรื่องสมาร์ทแฟกทอรีมักหยุดชะงัก ส่วนใหญ่ไม่ได้เกิดจากข้อมูลไม่พอ แต่กลับกัน คือชื่อของทางเลือกมีมากเกินไป ทั้ง AI ดิจิทัลทวิน การบำรุงรักษาเชิงพยากรณ์ 5G และเครือข่ายภายในโรงงาน จนวัดระยะห่างระหว่างเทคโนโลยีเหล่านั้นกับหน้างานจริงของตัวเองไม่ได้

สิ่งที่ได้ผลในสถานการณ์แบบนี้คือการอ่านโดยเริ่มจากภาพของโรงงาน ไม่ใช่เริ่มจากชื่อเทคโนโลยี มีพนักงานกี่คน ผลิตอะไร เครื่องจักรอายุกี่ปี ลงทุนไปเท่าไร และอะไรเปลี่ยนไป เมื่ออ่านกรณีศึกษาที่เขียนลงลึกถึงรายละเอียดระดับนี้สักสองสามกรณี ความเป็นไปได้เมื่อนำมาเทียบกับโรงงานของตัวเองจะชัดขึ้นทันที ในทางกลับกัน เรื่องเล่าความสำเร็จที่ไม่ระบุทั้งเงินลงทุนและขนาดโรงงาน ต่อให้ตัวเลขดูหวือหวาแค่ไหน ก็ใช้ประกอบการตัดสินใจของเราไม่ได้

4 จุดที่ต้องดูเวลาอ่านกรณีศึกษา

ขนาด ในทางปฏิบัติควรวัดจากจำนวนเครื่องจักรที่ต้องเฝ้าติดตาม มากกว่าวัดจากจำนวนพนักงาน โรงงานที่มีเครื่องจักร 30 เครื่องกับโรงงานที่มี 300 เครื่อง ต่างกันทั้งเครือข่ายที่ต้องวาง ปริมาณข้อมูล และวิธีคิดเรื่องระยะคืนทุน

ประเภทอุตสาหกรรม ให้ดูจากลักษณะของกระบวนการผลิต ถ้าเน้นงานตัดแต่งขึ้นรูปและงานประกอบ จุดที่ต้องเน้นคืออัตราการเดินเครื่อง ถ้าเป็นอุตสาหกรรมกระบวนการอย่างอาหารหรือเคมี จุดที่ต้องเน้นคืออัตราของดีและการควบคุมอุณหภูมิ ถ้าเป็นคลังสินค้าและโลจิสติกส์ ก็จะเป็นเส้นทางเดินของคนและความแม่นยำในการหยิบสินค้า แม้จะเรียกว่าการทำให้มองเห็นข้อมูลเหมือนกัน แต่สิ่งที่วัดต่างกันโดยสิ้นเชิง

สภาพเครื่องจักรเดิม เชื่อมโยงกับค่าใช้จ่ายโดยตรง โรงงานที่เรียงรายด้วยเครื่องจักรใหม่ซึ่งดึงสัญญาณออกมาข้างนอกได้ กับโรงงานที่กำลังหลักเป็นเครื่องอายุ 20 ปีที่ไม่มีฟังก์ชันสื่อสาร ย่อมต้องใช้วิธีต่างกัน แนวทางใช้ประโยชน์จากเครื่องจักรเก่าเราเรียบเรียงไว้แล้วในIoT ที่ต่อยอดจากเครื่องจักรเก่าในโรงงานไทย หากตรงกับสถานการณ์ของคุณ แนะนำให้อ่านประกอบ

วิธีวัดผล เป็นจุดที่ถูกมองข้ามมากที่สุดเวลาอ่านกรณีศึกษา ต่อให้เขียนว่าผลิตภาพเพิ่มขึ้น 30% ความหมายก็ยังต่างกัน ขึ้นอยู่กับว่าเป็นชั่วโมงแรงงาน เป็นปริมาณผลผลิตต่อชั่วโมง หรือเป็นตัวเลขที่รวมของเสียเข้าไปด้วย ถ้าจะนำกรณีศึกษาไปใช้ประกอบการขออนุมัติงบประมาณ ต้องเก็บนิยามให้ถึงระดับนี้

ตารางสรุป 10 กรณีศึกษาที่บทความนี้หยิบมาเล่า

ด้านล่างคือรายการกรณีศึกษาทั้งหมดที่จะกล่าวถึง แนะนำให้เริ่มอ่านจากแถวที่ใกล้เคียงกับโรงงานของคุณที่สุด

ลำดับในตารางไม่ได้เรียงตามขนาด แต่เรียงตามลำดับที่จะอธิบายในบทความนี้ ต่อจากนี้เราจะเริ่มดูรายละเอียดจากกรณีขององค์กรขนาดใหญ่ก่อน

กรณีศึกษาองค์กรขนาดใหญ่ – การรวมข้อมูลและระบบอัตโนมัติเปลี่ยนอะไรไปบ้าง

ก่อนอื่นควรรู้ว่าองค์กรใหญ่ที่มีกำลังลงทุนสูงกำลังทำอะไรอยู่ แม้จะไม่ใช่ระดับที่ลอกมาใช้ได้ทันที แต่การรู้ว่าปลายทางของเส้นทางนี้อยู่ตรงไหน จะช่วยให้ตัดสินใจได้ง่ายขึ้นว่าก้าวแรกของเราควรวางไว้ที่ใด

Toyota Motor – แพลตฟอร์มกลางที่รวมข้อมูลไว้ที่เดียว

Toyota Motor สร้างแพลตฟอร์มกลางที่เรียกว่า Factory IoT ขึ้นมา เพื่อรวมศูนย์ข้อมูลที่แปลงเป็นดิจิทัลแล้วและแบ่งปันข้อมูลกันแบบเรียลไทม์ จุดที่ควรสังเกตไม่ใช่ว่าติดอะไรเข้ากับเครื่องจักรตัวไหน แต่เป็นลำดับของการตัดสินใจ นั่นคือเลือกที่เก็บข้อมูลให้เสร็จก่อน

โรงงานจำนวนมากปล่อยให้ระบบเพิ่มขึ้นแบบเหมาะสมเฉพาะจุด การเฝ้าติดตามการเดินเครื่องใช้ระบบของผู้ผลิตเครื่องจักร คุณภาพใช้อีกระบบ พลังงานใช้อีกระบบหนึ่ง พอถึงเวลาจะวิเคราะห์ข้ามสายงาน กลับพบว่าความละเอียดของเวลาและวิธีกำหนดรหัสข้อมูลไม่ตรงกัน การนำมาจับคู่กันจึงกินแรงมหาศาล แนวคิดที่ว่าต้องตัดสินใจเรื่องที่เก็บข้อมูลและรูปแบบข้อมูลก่อน จึงเป็นสิ่งที่นำไปใช้ได้ไม่ว่าโรงงานจะขนาดไหน

Mitsubishi Electric ฐานการผลิตในไทย – ตรวจสอบสายการผลิตอัตโนมัติด้วย 5G และหุ่นยนต์เคลื่อนที่

ฐานการผลิตของ Mitsubishi Electric ในประเทศไทยนำ 5G หุ่นยนต์เคลื่อนที่อัตโนมัติ รวมถึง AR และ VR เข้ามาใช้ ทำให้ประมวลผลข้อมูลได้รวดเร็วและตรวจสอบสายการผลิตแบบอัตโนมัติ ส่งผลให้ผลิตภาพสูงขึ้น ในฐานะตัวอย่างจริงของการใช้ 5G ในงานอุตสาหกรรมภายในประเทศไทย กรณีนี้ใช้อ้างอิงได้ดีเวลาพิจารณาโครงการในพื้นที่

สิ่งที่ได้ผลจริงที่นี่ไม่ใช่แบนด์วิดท์ของสัญญาณไร้สายในตัวมันเอง แต่เป็นอิสระในการบริหารจัดการที่ทำให้เปลี่ยนผังสายการผลิตได้โดยไม่ต้องเดินสายใหม่ ในโรงงานที่สลับรุ่นสินค้าบ่อย การวางเครื่องจักรบนสมมติฐานว่าต้องมีสายสัญญาณ กลายเป็นข้อจำกัดของการปรับปรุงไปในตัว เมื่อออกแบบบนพื้นฐานของระบบไร้สาย งานเดินสายและเวลาหยุดที่เคยเกิดทุกครั้งที่เปลี่ยนผังจะลดลง

Zuellig Pharma – ผลิตภาพการหยิบสินค้าเพิ่ม 30% และความแม่นยำ 100%

Zuellig Pharma รายใหญ่ด้านโลจิสติกส์เวชภัณฑ์ในสิงคโปร์ นำ 5G เอดจ์คอมพิวติ้ง แว่น AR และโดรนเข้ามาใช้ในคลังสินค้า ผลลัพธ์คือผลิตภาพการหยิบสินค้าเพิ่มขึ้น 30% และความแม่นยำในการหยิบทำได้ถึง 100% นอกจากนี้การนับสต๊อกด้วยโดรนยังทำความแม่นยำในการนับได้ 95%

สิ่งที่กรณีนี้แสดงให้เห็นคือ พวกเขาไม่ได้เอาเครื่องจักรไปแทนที่ตัวงานของคน แต่เปลี่ยนวิธีนำเสนอข้อมูลที่ช่วยการตัดสินใจของคนต่างหาก แว่น AR แสดงให้ผู้ปฏิบัติงานเห็นในระยะสายตาว่ารายการถัดไปอยู่ชั้นวางไหน ทำให้ลดทั้งเวลาที่ต้องเดินไปเดินมาระหว่างใบรายการกระดาษกับของจริง และลดการหยิบผิดที่เกิดจากการเดินไปมานั้นไปพร้อมกัน การที่ไปถึงผลลัพธ์อย่างความแม่นยำในการหยิบ 100% ได้กับสินค้าอย่างเวชภัณฑ์ซึ่งยอมให้หยิบผิดไม่ได้เลย คือสิ่งที่บอกความหมายของโครงสร้างแบบนี้

ส่วนโดรนสำหรับนับสต๊อก ตัวเลข 95% ต้องอ่านอย่างระมัดระวัง นี่ไม่ใช่ความแม่นยำระดับที่จะแทนที่การตรวจนับด้วยคนได้ทั้งหมด แต่ควรมองว่าเป็นเครื่องมือสำหรับเพิ่มความถี่ในการนับมากกว่า ถ้าของที่เคยนับได้ปีละ 2 ครั้ง เปลี่ยนเป็นนับได้ทุกสัปดาห์ ต่อให้ความแม่นยำต่อครั้งลดลงบ้าง การค้นพบผลต่างของสต๊อกก็จะเร็วขึ้นอย่างเทียบกันไม่ได้

กรณีศึกษาโรงงานขนาดกลางและเล็ก – เริ่มจากเซนเซอร์ราคาหลักพันเยน

จากตรงนี้ไปคือระยะที่จับต้องได้จริงสำหรับผู้อ่านส่วนใหญ่ ใครที่อ่านกรณีขององค์กรใหญ่แล้วรู้สึกว่าโรงงานเราคงทำไม่ได้ ยิ่งควรดู 2 บริษัทถัดไปนี้

Asahi Tekko – เซนเซอร์แสงและเซนเซอร์แม่เหล็กที่ติดเพิ่มบนเครื่องเก่า

Asahi Tekko ผู้ผลิตชิ้นส่วนยานยนต์ ติดเซนเซอร์แสงและเซนเซอร์แม่เหล็กราคาหลักพันถึงหลักหมื่นเยนเข้ากับเครื่องจักรเก่า แล้วสร้างระบบแสดงผลแบบเรียลไทม์บนสมาร์ทโฟนและแท็บเล็ตขึ้นมาเอง ผลที่ได้คือลดค่าแรงได้ระดับหลายร้อยล้านเยนต่อปี และปริมาณการผลิตเพิ่มขึ้นหลายสิบเปอร์เซ็นต์

ขอให้สังเกตความต่างของหลักตัวเลข เซนเซอร์ตัวละหลักพันถึงหลักหมื่นเยน แต่เกิดผลระดับหลายร้อยล้านเยนต่อปี สิ่งที่เกิดขึ้นจริงตรงนี้ไม่ใช่ระบบอัตโนมัติขั้นสูงแต่อย่างใด แต่คือการที่โรงงานถือข้อมูลได้ว่าเครื่องจักรหยุดเมื่อไรและหยุดไปกี่นาที ในรูปของตัวเลข แทนที่จะอาศัยความทรงจำของคน เท่านั้นเอง

ตราบใดที่หน้างานยังบันทึกด้วยรายงานประจำวัน เวลาหยุดเครื่องจะเหลืออยู่ในระดับความละเอียดแค่ราว 30 นาทีเท่านั้น แต่พอเก็บด้วยเซนเซอร์ในระดับวินาที ก็มีหลายกรณีที่พบว่าการหยุดสั้น ๆ ในระดับไม่กี่นาที สะสมกันหลายครั้งต่อวัน การสะสมของการหยุดสั้นแบบนี้เป็นสิ่งที่หาเจอได้ยากจากรายงานประจำวัน ผลลัพธ์ส่วนใหญ่ของ Asahi Tekko มาจากการเปลี่ยนความสูญเสียที่มองไม่เห็นให้กลายเป็นตัวเลขนั่นเอง

Kuno Kinzoku Kogyo – บริหารจำนวนช็อตของแม่พิมพ์บนคลาวด์

Kuno Kinzoku Kogyo ผู้ทำงานขึ้นรูปโลหะแผ่น ติดเซนเซอร์เข้ากับแม่พิมพ์เพื่อนับจำนวนช็อตโดยอัตโนมัติ แล้วบริหารข้อมูลนั้นบนคลาวด์ ทำให้เลี่ยงความเสี่ยงที่สายการผลิตจะหยุดเพราะแม่พิมพ์เสียหาย

นี่คือตัวอย่างที่ดีของการจำกัดเป้าหมายจนคมชัด พวกเขาไม่ได้พยายามทำให้ทั้งโรงงานมองเห็นได้ แต่เลือกเก็บค่าเพียงค่าเดียวคือแม่พิมพ์ถูกกดไปกี่ครั้ง ให้ได้อย่างแม่นยำและอัตโนมัติ เนื่องจากแม่พิมพ์สึกหรอตามจำนวนช็อต ถ้าถือตัวเลขนี้ได้แม่นยำ ก็เข้าบำรุงรักษาได้ก่อนที่แม่พิมพ์จะเสียหาย เพราะถ้าปล่อยจนเสียหายแล้ว นอกจากค่าซ่อมแม่พิมพ์ สายการผลิตยังหยุดและกระทบกำหนดส่งมอบด้วย

ในแง่วิธีคิดเรื่องการลงทุน งานประเภทนี้ต้องมองที่ความสูญเสียที่หลีกเลี่ยงได้ มากกว่ามองที่ยอดเงินที่ประหยัดได้ เวลาอธิบายเพื่อขออนุมัติงบประมาณ ถ้าสำรวจไว้ล่วงหน้าว่าในอดีตสายการผลิตเคยหยุดเพราะแม่พิมพ์เสียหายกี่ครั้ง และแต่ละครั้งหยุดนานเท่าไรกับสูญเสียโอกาสไปเท่าไร เรื่องจะคุยกันได้เร็วขึ้นมาก

ทางเข้าที่เป็นจริงได้สำหรับการเริ่มต้นในโรงงานขนาดกลางและเล็ก

จุดร่วมของ 2 บริษัทนี้คือไม่ได้เปลี่ยนเครื่องจักรเดิมเลย พวกเขาเลือกติดเซนเซอร์ไว้ด้านนอกเพื่อดึงสัญญาณออกมาแทน ด้วยวิธีนี้ หลักของเงินลงทุนเริ่มต้นจึงต่างจากการเปลี่ยนเครื่องจักรใหม่โดยสิ้นเชิง

ในอีกด้านหนึ่ง การติดเซนเซอร์ก็ไม่ได้แปลว่าผลลัพธ์จะเกิดขึ้นเองโดยอัตโนมัติ ถ้ายังไม่ตัดสินใจฝั่งการบริหารว่าใครจะเป็นคนดูข้อมูลที่เก็บมาได้ทุกเช้า และใครจะเป็นคนลงมือแก้ไข สุดท้ายก็จะจบลงที่แดชบอร์ดเพิ่มขึ้นเฉย ๆ แนวคิดเรื่องการทยอยนำเข้ามาใช้ทีละขั้นสำหรับโรงงานขนาดกลาง เราเรียบเรียงไว้ถึงลำดับการตัดสินใจลงทุนในสมาร์ทแฟกทอรีไม่ได้มีไว้เฉพาะองค์กรขนาดใหญ่ ใครที่ขนาดโรงงานใกล้เคียงกับกรณีนี้ แนะนำให้อ่านประกอบ ส่วนกรอบค่าใช้จ่ายโดยประมาณ เราสรุปไว้ในค่าใช้จ่ายของ IoT ในโรงงาน

กรณีศึกษาอุตสาหกรรมแปรรูปอาหาร – อัตราการเดินเครื่องที่แท้จริงซึ่งเพิ่งรู้หลังทำให้มองเห็นข้อมูล

ถัดมาคือกรณีที่เกิดขึ้นในประเทศไทย ในแง่ความหมายของตัวเลข เราถือว่านี่เป็นกรณีที่ให้ข้อคิดมากที่สุดในบทความนี้

ผู้ผลิตอาหารแปรรูปรายใหญ่ในไทย – เริ่มจากสายการผลิตไส้กรอก 10 สาย

กรณีนี้คือผู้ผลิตอาหารแปรรูปรายใหญ่ที่ก่อตั้งเมื่อปี 1967 และขยายธุรกิจครอบคลุมไทย กัมพูชา ลาว และเมียนมา บริษัทนี้นำอุปกรณ์เอดจ์และเกตเวย์ IoT ของ Advantech พร้อมกับโซลูชันสมาร์ทแฟกทอรีและ OEE ของ WISE เข้ามาใช้กับสายการผลิตไส้กรอก 10 สายก่อนเป็นอันดับแรก

จุดสำคัญคือการไม่เอาทุกสายการผลิตมาทำพร้อมกัน แต่จำกัดไว้ที่ 10 สาย และเฟสแรกเสร็จภายใน 3 เดือน พวกเขาไม่ได้ตั้งเป็นโครงการระดับองค์กรที่กินเวลาหลายปี แต่ตัดขอบเขตให้เป็นหน่วยที่เห็นผลได้ภายในหนึ่งไตรมาสก่อนจึงลงมือ

ข้อมูลบนกระดาษมีความแม่นยำเพียง 60-75%

ข้อเท็จจริงที่หนักที่สุดของกรณีนี้อยู่ตรงนี้ ก่อนนำระบบเข้ามาใช้ ข้อมูลที่เก็บด้วยกระดาษมีความแม่นยำเพียง 60-75% เท่านั้น แปลว่าตัวเลขที่ใช้ประชุมกันมาตลอด มีอยู่ราวหนึ่งในสี่ถึงสี่ในสิบที่เพี้ยนไปจากความเป็นจริง

และเมื่อแปลงเป็นดิจิทัลแล้ว ค่า OEE จริงที่ปรากฏออกมาคือ 60-65% ซึ่งต่ำกว่าที่คาดไว้มาก พูดง่าย ๆ คือจุดตั้งต้นก่อนเริ่มกิจกรรมปรับปรุง ไม่ได้อยู่ในตำแหน่งที่ทุกคนเข้าใจกันมาตั้งแต่แรก

โครงสร้างแบบนี้พบได้บ่อยในโรงงานญี่ปุ่นที่ตั้งอยู่ในประเทศไทยเช่นกัน ผลรวมจากรายงานประจำวันบอกว่าอัตราการเดินเครื่องอยู่ในระดับสูงมาโดยตลอด แต่พอดึงสัญญาณจากตัวเครื่องโดยตรง ตัวเลขที่ออกมากลับต่ำกว่านั้นอยู่พอสมควร ส่วนต่างนั้นมาจากการหยุดสั้น ๆ ที่ไม่ถูกบันทึกลงรายงาน เวลาจริงของการเปลี่ยนรุ่นการผลิต และช่วงเวลาที่เครื่องเดินอยู่แต่ไม่ได้ผลิตของดี วิธีแยกองค์ประกอบของ OEE เราอธิบายไว้ในแนวทางปรับปรุง OEE ใครที่อยากจัดระเบียบตัวชี้วัดก่อน แนะนำให้อ่านส่วนนั้น

ค่าเฉลี่ย OEE ของอุตสาหกรรมแปรรูปอาหารไทยอยู่ที่ 40-60%

ตัวเลข 60-65% ของบริษัทนี้ ถ้าดูโดดเดี่ยวอาจรู้สึกว่าต่ำ แต่ค่าเฉลี่ย OEE ของอุตสาหกรรมแปรรูปอาหารในประเทศไทยอยู่ที่ 40-60% ซึ่งต่ำกว่ามาตรฐานระดับโลกที่ถือกันว่าอยู่ที่ 85% อยู่มาก เมื่อเทียบภายในอุตสาหกรรมเดียวกัน บริษัทนี้จึงอยู่ในตำแหน่งที่สูงกว่าค่าเฉลี่ยด้วยซ้ำ

สิ่งที่ควรอ่านออกจากตรงนี้คือ คำถามว่า OEE ของเราต่ำไปหรือไม่ ยังไม่ใช่คำถามแรก คำถามที่ต้องมาก่อนคือ เรารู้จริงหรือไม่ว่า OEE ที่แท้จริงของโรงงานเราเป็นเท่าไร ตราบใดที่ยังถกกันบนข้อมูลกระดาษ การเปรียบเทียบกับค่าเฉลี่ยอุตสาหกรรมก็ไม่มีความหมาย คุณค่าแรกของการทำให้มองเห็นข้อมูลจึงไม่ใช่ตัวการปรับปรุงเอง แต่คือการได้ตัวเลขที่ใช้เป็นฐานของการถกเถียงมาไว้ในมือ

กรณีศึกษาในเอเชียตะวันออกเฉียงใต้ – ปิดช่องว่างระหว่างฐานการผลิตอย่างไร

สุดท้ายคือกรณีที่เกี่ยวข้องกับบริษัทที่มีหลายฐานการผลิต เนื้อหาส่วนนี้เขียนสำหรับผู้ที่เจอโจทย์ว่าเครื่องจักรเหมือนกัน แบบงานเหมือนกัน แต่ผลลัพธ์ระหว่างฐานการผลิตในไทยกับเวียดนาม หรือระหว่างสำนักงานใหญ่ที่ญี่ปุ่นกับบริษัทในพื้นที่ กลับต่างกัน

ฐานการผลิตที่รับโอนงานในเวียดนาม – ช่องว่างประสิทธิภาพ 20-30% เมื่อเทียบกับโรงงานแม่

ในโรงงานที่ย้ายการผลิตจากจีนมายังเวียดนาม มีรายงานว่าช่วงแรกของการเริ่มเดินสายการผลิตเกิดช่องว่างประสิทธิภาพ 20-30% เมื่อเทียบกับโรงงานแม่ในจีน สาเหตุคือแม้เครื่องจักรจะเหมือนกัน แต่ความชำนาญของผู้ปฏิบัติงานและวิธีถ่ายทอดขั้นตอนการทำงานต่างกัน

ต่อโจทย์นี้ มีตัวอย่างที่แก้ไขได้ด้วยการนำ AI Vision และ SOP ดิจิทัล ซึ่งก็คือการบริหารมาตรฐานขั้นตอนการทำงานในรูปแบบดิจิทัล เข้ามาใช้ เมื่อใช้กล้องจับการทำงานจริงแล้วตรวจหาความต่างจากขั้นตอนมาตรฐาน จะรู้ได้ว่ากระบวนการไหนและท่าทางใดที่ทำต่างไป โดยไม่ต้องส่งคนไปประจำที่หน้างาน

ผู้ผลิตอุปกรณ์จ่ายไฟในไทย – ขยายวิธีทำงานที่ดีที่สุดด้วย AI Vision

ผู้ผลิตอุปกรณ์จ่ายไฟในประเทศไทยใช้แพลตฟอร์ม HOP ของ PowerArena นำ AI Vision มาทำซ้ำเวิร์กโฟลว์ที่ดีที่สุดและเฝ้าติดตามทางไกล ผลที่ได้คือย่นเส้นโค้งการเรียนรู้ของพนักงานใหม่ และทำให้การเดินเครื่องของทุกฐานการผลิตโปร่งใส มีรายงานกรณีที่แม้แต่สายการผลิตที่เดินมาจนเข้าที่แล้ว ก็ยังได้ประสิทธิภาพเพิ่มขึ้นมากกว่า 10%

คำว่าทำซ้ำเวิร์กโฟลว์ที่ดีที่สุดนั้นตรงประเด็นมาก ทุกฐานการผลิตย่อมมีคนที่ทำงานได้เร็วและแม่นยำที่สุดอยู่ วิธีเดิมคือถอดการเคลื่อนไหวของคนนั้นออกมาเป็นคำพูดแล้วเขียนเป็นคู่มือ แต่ในกระบวนการถอดเป็นคำพูดย่อมมีข้อมูลตกหล่นเสมอ ถ้าจับการเคลื่อนไหวจากภาพวิดีโอ จะส่งต่อไปยังฐานการผลิตอื่นได้ครบถึงส่วนที่เขียนลงคู่มือไม่หมดด้วย

Daviteq – ใช้เซนเซอร์ไร้สายคุมอุณหภูมิและการสั่นสะเทือน

Daviteq จากเวียดนามนำเซนเซอร์ไร้สายและสมาร์ทเกตเวย์ IoT มาใช้ แก้โจทย์เรื่องการเฝ้าติดตามอุณหภูมิ การวัดการสั่นสะเทือน รวมถึงการจัดเก็บและวิเคราะห์ข้อมูล

การจับคู่ระหว่างอุณหภูมิกับการสั่นสะเทือนถือว่าสมเหตุสมผลในฐานะทางเข้าของงานบำรุงรักษา การสั่นสะเทือนจะเปลี่ยนแปลงก่อนที่ความผิดปกติของตลับลูกปืนหรือมอเตอร์จะแสดงออกมาให้เห็น ส่วนอุณหภูมิจะบอกภาระเกินหรือการระบายความร้อนที่ไม่ดีตั้งแต่ระยะต้น เพียงเก็บ 2 ค่านี้ไว้ตลอดเวลา ก็จับสัญญาณเตือนล่วงหน้าของการหยุดกะทันหันได้เป็นสัดส่วนที่สูงพอสมควร และถ้าเป็นแบบไร้สาย ก็ติดเพิ่มเข้ากับเครื่องจักรที่กำลังเดินอยู่ได้โดยไม่ต้องเดินสาย

Makino Asia – ลดดาวน์ไทม์ด้วยการบำรุงรักษาเชิงพยากรณ์

Makino Asia จากสิงคโปร์นำหุ่นยนต์สั่งงานด้วยเสียง แขนกล AR ช่วยงานทางไกล รถโฟล์คลิฟท์ไร้คนขับ และ IIoT เข้ามาใช้ จนป้องกันเครื่องจักรเสียและลดดาวน์ไทม์ได้ด้วยการบำรุงรักษาเชิงพยากรณ์

การที่ผู้ผลิตเครื่องมือกลลงมือทำเรื่องการบำรุงรักษาเชิงพยากรณ์ด้วยตัวเองนั้นมีนัยสำคัญ AR ช่วยงานทางไกลเป็นวิธีที่ใช้ได้ในลักษณะที่วิศวกรซึ่งอยู่ห่างออกไปคอยสนับสนุนหน้างานไปพร้อมกับแชร์ภาพวิดีโอของหน้างานนั้น จึงทำงานไปในทิศทางที่บีบทั้งต้นทุนการเดินทางและความหน่วงของเวลาในการสนับสนุนทางเทคนิคข้ามฐานการผลิต สำหรับบริษัทที่มีฐานการผลิตอยู่ในไทยแต่มีวิศวกรอยู่ที่ญี่ปุ่น แนวคิดนี้นำไปประยุกต์ใช้ได้

3 รูปแบบร่วมที่มองเห็นได้จาก 10 กรณีศึกษา

แม้ทั้ง 10 กรณีจะต่างกันทั้งขนาด ประเทศ และประเภทอุตสาหกรรม แต่โครงสร้างของความสำเร็จกลับมีจุดร่วมกันอยู่

ข้อที่ 1 – จำกัดเป้าหมายแล้วเริ่มจากจุดเล็ก

ผู้ผลิตอาหารแปรรูปรายใหญ่ในไทยเริ่มจากสายการผลิตไส้กรอก 10 สาย Kuno Kinzoku Kogyo เอาแค่จำนวนช็อตของแม่พิมพ์ ส่วน Asahi Tekko เอาแค่เวลาหยุดของเครื่องจักร ทุกรายไม่ได้เอาทั้งโรงงานมาทำพร้อมกันในคราวเดียว

ข้อดีของการจำกัดขอบเขตไม่ได้มีแค่เงินลงทุนที่ลดลง เมื่อเห็นผลภายใน 3 เดือน บรรยากาศภายในองค์กรจะเปลี่ยน ในทางกลับกัน แผนที่กินเวลา 2 ปี ระหว่างทางจะมีทั้งการโยกย้ายบุคลากร อัตราแลกเปลี่ยน และคำสั่งซื้อที่ผันผวนเข้ามาแทรก จนไม่มีใครจำวัตถุประสงค์ตั้งต้นได้ วิธีเดินเรื่องแบบเริ่มจากจุดเล็ก เราแปลงเป็นขั้นตอนที่จับต้องได้ไว้ในการเริ่มต้น IoT ในโรงงานแบบสมอลสตาร์ท

ข้อที่ 2 – ลงมือวัดผลก่อนทำระบบอัตโนมัติ

แม้แต่ในกรณีขององค์กรใหญ่ที่หุ่นยนต์และ AI โดดเด่น ขั้นก่อนหน้านั้นย่อมมีการเก็บข้อมูลอยู่เสมอ โดรนของ Zuellig Pharma ทำหน้าที่นับสต๊อก ส่วนการบำรุงรักษาเชิงพยากรณ์ของ Makino Asia ก็ตั้งอยู่บนเงื่อนไขว่าต้องวัดสภาพของเครื่องจักรได้ก่อน

และมีความจริงบางอย่างที่รู้ได้ก็ต่อเมื่อวัดแล้วเท่านั้น การค้นพบว่า OEE จริงอยู่ที่ 60-65% ของผู้ผลิตอาหารแปรรูปรายใหญ่ในไทยคือตัวอย่างที่ชัดที่สุด ถ้าข้ามลำดับนี้ไปแล้วเริ่มจากระบบอัตโนมัติเลย ก็เท่ากับลงทุนไปโดยไม่มีไม้บรรทัดสำหรับวัดผลของการปรับปรุง วิธีดำเนินการเรื่องการเฝ้าติดตามการเดินเครื่องแบบเป็นรูปธรรม เราสรุปไว้ในการนำ IoT มาใช้เฝ้าติดตามการเดินเครื่องในโรงงาน

ข้อที่ 3 – ปิดช่องว่างระหว่างฐานการผลิตด้วยกลไก ไม่ใช่ด้วยคน

จุดร่วมของกรณีฐานการผลิตที่รับโอนงานในเวียดนามกับผู้ผลิตอุปกรณ์จ่ายไฟในไทยคือ ทั้งคู่ปิดช่องว่างระหว่างฐานการผลิตด้วยกลไก ไม่ใช่ด้วยการส่งคนไปประจำ ในกรณีของฐานการผลิตที่รับโอนงานในเวียดนาม พวกเขานำ AI Vision และการบริหาร SOP แบบดิจิทัลมาใช้กับช่องว่างประสิทธิภาพ 20-30% ที่เกิดขึ้นเมื่อเทียบกับโรงงานแม่ในจีน ส่วนผู้ผลิตอุปกรณ์จ่ายไฟในไทยใช้ AI Vision บนแพลตฟอร์ม HOP ของ PowerArena ทำซ้ำเวิร์กโฟลว์ที่ดีที่สุดและเฝ้าติดตามทางไกล จนมีรายงานว่าแม้แต่สายการผลิตที่เดินมาจนเข้าที่แล้วก็ยังได้ประสิทธิภาพเพิ่มขึ้นมากกว่า 10% มาตรการและตัวเลขของทั้งสองรายต่างกัน แต่ลักษณะของวิธีที่ใช้ปิดช่องว่างนั้นเหมือนกัน

การส่งผู้ฝึกสอนจากญี่ปุ่นไปนั้นได้ผลแน่นอน แต่มีจุดอ่อนคือกินทั้งค่าใช้จ่ายและเวลา อีกทั้งงานมักกลับคืนสู่สภาพเดิมได้ง่ายหลังคนนั้นเดินทางกลับ ถ้าถือขั้นตอนการทำงานเองไว้ในรูปของข้อมูล ก็จะไม่ต้องพึ่งพาระยะเวลาที่คนคนหนึ่งอยู่ในพื้นที่ และต่อให้ฐานการผลิตเพิ่มขึ้น ก็ขยายผลได้ในรูปแบบเดียวกัน

วิธีเลือกกรณีศึกษาที่ใกล้เคียงกับโรงงานของคุณ

นี่คือจุดตรวจสอบสำหรับจัดระเบียบว่าในบรรดา 10 กรณีข้างต้น ควรใช้กรณีใดเป็นแนวทางของโรงงานคุณ

หากโรงงานของคุณเข้าข่ายตั้งแต่ 2 แถวขึ้นไปในตารางนี้ หลักการคือให้เริ่มจากแถวที่เกิดความสูญเสียเป็นเงินมากที่สุดก่อน เพราะถ้าเดินหน้าหลายเรื่องพร้อมกัน จะแยกไม่ออกว่ามาตรการใดเป็นตัวที่ให้ผล

อนึ่ง กรณีศึกษาที่จำกัดเฉพาะโรงงานญี่ปุ่นในประเทศไทย เราแยกไปสรุปไว้ต่างหากในกรณีศึกษาการนำ IoT มาใช้ในอุตสาหกรรมการผลิตของไทย ใครที่อยากหาตัวอย่างในสภาพแวดล้อมที่ใกล้เคียงกว่านี้ แนะนำให้ดูบทความนั้นประกอบ

สิ่งที่ควรรู้เป็นพื้นฐานก่อนเดินหน้าในประเทศไทย

อุตสาหกรรมการผลิตของไทยคิดเป็นราว 25% ของ GDP และภายใต้นโยบาย Thailand 4.0 มีการคาดการณ์ว่าการนำระบบอัตโนมัติและหุ่นยนต์มาใช้จะเพิ่มขึ้น 50% ภายในปี 2026 ส่วนตลาดดิจิทัลทรานส์ฟอร์เมชันของไทยมีมูลค่าราว 1 หมื่นล้านดอลลาร์สหรัฐ ณ ปี 2025 และคาดว่าจะเติบโตเฉลี่ยปีละ 8.75% ไปจนถึงปี 2031

ตัวเลขเหล่านี้ส่งผลต่อการทำงานจริง 2 ด้าน ด้านแรกคือคู่แข่งรอบตัวก็กำลังเคลื่อนไปในทิศทางเดียวกัน ยิ่งเริ่มช้าก็ยิ่งเสียเปรียบในแง่การหาบุคลากร ด้านที่สองคือในช่วงที่ตลาดขยายตัว จำนวนผู้ขายก็เพิ่มขึ้นตาม ทำให้ข้อเสนอที่ไม่มีผลงานจริงรองรับปะปนเข้ามาได้ง่าย นิสัยการตรวจสอบตัวเลขจากกรณีศึกษาจึงเป็นเกราะป้องกันความเสี่ยงข้อที่สองนี้ไปในตัว

ข้อควรระวังเฉพาะของพื้นที่คือ ต้องออกแบบบนสมมติฐานว่าการหมุนเวียนเข้าออกของผู้ปฏิบัติงานเร็วกว่าที่ญี่ปุ่น สภาพที่ขั้นตอนการทำงานอยู่ในหัวของช่างชำนาญงานบางคนเท่านั้น ถือว่าอันตรายในประเทศไทยยิ่งกว่าที่ญี่ปุ่น การที่ผู้ผลิตอุปกรณ์จ่ายไฟในไทยยกเรื่องการย่นเส้นโค้งการเรียนรู้ของพนักงานใหม่ขึ้นมาเป็นผลลัพธ์ จึงเข้าใจได้ชัดเจนเมื่ออ่านในบริบทนี้

คำถามที่พบบ่อย

ควรประเมินความคุ้มค่าของสมาร์ทแฟกทอรีอย่างไร

อย่าเริ่มจากราคากลางทั่วไปในตลาด แต่ให้แปลงความสูญเสียที่เกิดขึ้นในโรงงานคุณตอนนี้ให้เป็นตัวเงินก่อน ในกรณีของ Asahi Tekko เซนเซอร์ราคาหลักพันถึงหลักหมื่นเยนนำไปสู่การลดค่าแรงระดับหลายร้อยล้านเยนต่อปี นั่นเป็นเพราะความสูญเสียที่เป็นเป้าหมายของการลดนั้นใหญ่อยู่แต่เดิม ถ้าเครื่องจักรหยุดไป 1 ชั่วโมง จะทำให้สูญเสียยอดส่งมอบคิดเป็นเงินเท่าไร ถ้าของเสียลดลง 1% จะเป็นเงินเท่าไรต่อปี เมื่อได้ฐานตัวเลขเหล่านี้ออกมา ความสมเหตุสมผลของเงินลงทุนจะตัดสินได้เองโดยธรรมชาติ

โรงงานขนาดกลางและเล็กจะทำให้เกิดผลแบบในกรณีศึกษาได้จริงหรือไม่

ทำได้ Kuno Kinzoku Kogyo ที่แนะนำในบทความนี้เริ่มจากกลไกที่เก็บค่าเพียงค่าเดียวโดยอัตโนมัติ นั่นคือจำนวนช็อตของแม่พิมพ์ สิ่งสำคัญไม่ใช่เม็ดเงินลงทุน แต่คือจำกัดเป้าหมายได้แคบพอหรือไม่ ในทางกลับกัน ขนาดที่เล็กกว่ากลับได้เปรียบตรงที่ระยะจากการตัดสินใจไปถึงการนำไปใช้ที่หน้างานสั้นกว่า จึงตรวจสอบผลลัพธ์เป็นรอบ 3 เดือนได้ง่ายกว่า

โรงงานมีเครื่องจักรเก่าเยอะ ถ้าไม่เปลี่ยนเครื่องใหม่จะทำไม่ได้ใช่หรือไม่

ไม่จำเป็นต้องเปลี่ยน อย่างที่กรณีของ Asahi Tekko แสดงให้เห็น แม้เป็นเครื่องจักรที่ไม่มีฟังก์ชันสื่อสาร ถ้าจับการเคลื่อนไหวจากภายนอกด้วยเซนเซอร์แสงหรือเซนเซอร์แม่เหล็ก ก็เก็บสถานะการเดินเครื่องได้ ชนิดของข้อมูลที่เก็บได้ย่อมจำกัดกว่ากรณีที่ดึงสัญญาณจากตัวเครื่องได้โดยตรง แต่ข้อมูลที่มีมูลค่าสูงที่สุดอย่างการเดินและการหยุดนั้นเก็บได้แน่นอน ถ้าตั้งเงื่อนไขว่าต้องเปลี่ยนเครื่องใหม่ทั้งหมดก่อน การพิจารณาจะหยุดชะงัก การทดลองด้วยวิธีติดเซนเซอร์เพิ่มเข้าไปก่อนจึงเป็นแนวทางที่เป็นจริงได้มากกว่า

มีข้อควรระวังที่เป็นเฉพาะของโรงงานในประเทศไทยหรือไม่

มี 3 ข้อ ข้อที่ 1 คือให้สงสัยไว้ก่อนว่าตัวเลขที่อ้างอิงจากรายงานประจำวันหรือการรวบรวมด้วยกระดาษ อาจเพี้ยนไปจากความเป็นจริง ในกรณีของผู้ผลิตอาหารแปรรูปรายใหญ่ในไทย ความแม่นยำของข้อมูลบนกระดาษอยู่ที่ 60-75% ข้อที่ 2 คือให้ผนวกการแปลงขั้นตอนการทำงานเป็นดิจิทัลเข้าไปในแผน โดยตั้งอยู่บนสมมติฐานเรื่องอัตราการคงอยู่ของพนักงาน ข้อที่ 3 คือตรวจสอบให้แน่ใจว่ามีโครงสร้างที่ดูแลรักษาได้ในประเทศ ต่อให้โครงสร้างตอนติดตั้งจะดีเพียงใด ถ้าเกิดเสียขึ้นมาแล้วไม่มีวิศวกรที่รับมือได้อยู่ในประเทศ มูลค่าจะกลายเป็นศูนย์ทันทีที่ระบบหยุด

เริ่มจากอะไรจึงจะมีโอกาสล้มเหลวน้อยที่สุด

เริ่มจากการเลือกสายการผลิตหลัก 1 หรือ 2 สาย แล้วเก็บผลจริงของการเดินและการหยุดโดยอัตโนมัติ ในบรรดา 10 กรณีศึกษา กรณีที่เล่าผลลัพธ์ออกมาเป็นตัวเลขได้นั้น ส่วนใหญ่ผ่านขั้นตอนนี้มาแล้ว ค่าที่วัดได้จริงตรงนี้จะกลายเป็นเกณฑ์ของการตัดสินใจลงทุนทุกครั้งหลังจากนั้น

สรุป

เมื่อนำกรณีศึกษาสมาร์ทแฟกทอรีมาเรียงกัน 10 กรณี จะพบว่าแม้ขนาดและประเทศจะต่างกัน แต่วิธีเดินเรื่องของโรงงานที่ได้ผลลัพธ์นั้นคล้ายกันมาก นั่นคือจำกัดเป้าหมายแล้วเริ่มจากจุดเล็ก ลงมือวัดผลก่อนทำระบบอัตโนมัติ และปิดช่องว่างระหว่างฐานการผลิตด้วยกลไกแทนที่จะใช้คน รวมเป็น 3 ข้อนี้

ในกลุ่มองค์กรขนาดใหญ่ Zuellig Pharma ทำผลิตภาพการหยิบสินค้าเพิ่มขึ้น 30% พร้อมความแม่นยำในการหยิบ 100% ส่วนฐานการผลิตของ Mitsubishi Electric ในไทยทำการตรวจสอบอัตโนมัติด้วย 5G และหุ่นยนต์เคลื่อนที่ ในกลุ่มโรงงานขนาดกลางและเล็ก Asahi Tekko ลดค่าแรงได้ระดับหลายร้อยล้านเยนต่อปีด้วยเซนเซอร์ราคาหลักพันถึงหลักหมื่นเยน ส่วน Kuno Kinzoku Kogyo เลี่ยงความเสี่ยงที่สายการผลิตจะหยุดได้ด้วยการบริหารจำนวนช็อตของแม่พิมพ์

และสิ่งที่กรณีของผู้ผลิตอาหารแปรรูปรายใหญ่ในไทยแสดงให้เห็นคือข้อเท็จจริงที่ว่า ความแม่นยำของข้อมูลบนกระดาษมีเพียง 60-75% และ OEE จริงอยู่ที่ 60-65% ก่อนจะปรับปรุงอะไร จุดตั้งต้นคือการรู้ตัวเลขที่แท้จริงของโรงงานตัวเองเสียก่อน ถ้าคุณเจอกรณีศึกษาที่ใกล้เคียงกับโรงงานของคุณแม้เพียงกรณีเดียว ขอให้ลองเริ่มจากการวัดรายการที่โรงงานนั้นวัดเป็นอย่างแรก กับสายการผลิตหลักของคุณเอง

TOMAS TECH มีฐานอยู่ในประเทศไทย และให้การสนับสนุนผู้ผลิตสัญชาติญี่ปุ่นในการนำระบบไอทีสำหรับโรงงานมาใช้ โดยมีระบบบริหารการผลิตและบริหารพลังงาน PEGASUS เป็นแกนหลัก แม้จะยังไม่ถึงขั้นเลือกผลิตภัณฑ์ แต่อยู่ในขั้นที่อยากจัดระเบียบว่ากรณีศึกษาใดในบทความนี้ใกล้เคียงกับสถานการณ์ของคุณ ก็ยินดีเช่นกัน เราขอเข้าไปดูหน้างานแล้วร่วมคิดไปด้วยกันว่าควรเริ่มวัดจากจุดใดจึงจะเป็นจริงได้มากที่สุด ปรึกษาเราได้ตามสบายผ่านแบบฟอร์มติดต่อ

ข้อมูลอ้างอิง

• ABI Research – ตัวอย่างสมาร์ทแฟกทอรีในเอเชียตะวันออกเฉียงใต้
• Advantech – กรณีศึกษาการนำสมาร์ทแมนูแฟกเจอริงมาใช้ในภาคเกษตรและอาหารของไทย
• QUANTS – กรณีการใช้ IoT ของผู้ผลิตขนาดกลางและเล็กกับการเริ่มต้นแบบต้นทุนต่ำ
• PowerArena – แนวโน้มสมาร์ทแฟกทอรีในเอเชียตะวันออกเฉียงใต้และขั้นตอนการเปลี่ยนผ่าน
• Iconic Thai – สถานการณ์ปัจจุบันของอุตสาหกรรมการผลิตไทยและ Thailand 4.0
• IT trend – กรณีศึกษาสมาร์ทแฟกทอรีและแพลตฟอร์ม IoT ในอุตสาหกรรมการผลิต