De processen binnen Onderhoud, Reparatie en Exploitatie [MRO], met name bij grote productiebedrijven of productie-intensieve organisaties, vereisen het beheren, genereren, verwerken en synchroniseren van aanzienlijke hoeveelheden gegevens verspreid over verschillende bedrijfssystemen.
Deze gegevens kunnen betrekking hebben op reserveonderdelen, verbruiksartikelen, vaste activa, voorraden, leveranciers, werkorders, stuklijsten voor apparatuur enzovoort.
Deze datasets worden doorgaans beheerd in ERP-systemen en vanwege de enorme omvang ervan, de schaal waarop ze worden gebruikt en het ontbreken van protocollen voor gegevensbeheer, gaat de kwaliteit van de gegevens in de loop van de tijd achteruit.
Problemen met de gegevenskwaliteit komen over het algemeen het vaakst voor bij reserveonderdelen, gevolgd door MRO-leveranciers en apparatuur.
Belangrijke problemen op het gebied van de kwaliteit van MRO-gegevens en de gevolgen daarvan
Dubbele gegevens
Door gebrekkig gegevensbeheer en het vrijwel ontbreken van normen voor gegevensbeheer met betrekking tot reserveonderdelen, ontstaan er in de loop van de tijd meerdere records voor wat in wezen hetzelfde onderdeel, dezelfde leverancier of dezelfde apparatuur is.
De uitdaging is echter dat masterdatasystemen zijn gebaseerd op de ‘Golden Record’-standaard, wat inhoudt dat elk aangemaakt record verwijst naar een uniek product, onderdeel, apparaat of leverancier.
Door het dupliceren van records gaat het MRO-voorraadbeheersysteem ervan uit dat de twee reserveonderdelen verschillend zijn, wat leidt tot meerdere inkooporders, een te grote voorraad reserveonderdelen en uiteindelijk, hogere inkoop- en voorraadkosten.
Uit onderzoek dat we bij Verdantis hebben uitgevoerd op basis van geanonimiseerde bedrijfsgegevens, is gebleken dat de inkoopkosten met 20% tot 35% kunnen worden opgeblazen in MRO-datasets die vol staan met dubbele vermeldingen.
Gegevensrecords die overhaast worden bijgewerkt om een artikel aan te schaffen, zonder dat de juiste informatie, kenmerken, specificaties of details worden bijgewerkt, vormen een vrij veelvoorkomend probleem.
Dit is een ernstig probleem op het gebied van gegevenskwaliteit en vormt tevens een van de oorzaken die het hierboven genoemde probleem #1 verergeren.
Zo kan het ontbreken van specifieke informatie over een reserveonderdeel van een leverancier leiden tot beslissingen op basis van onjuiste gegevens, met verspilling en onjuiste inkoop tot gevolg; en in het geval van kritieke onderhoudswerkzaamheden kan dit direct leiden tot productiestilstand.
Door het ontbreken van belangrijke informatie, zoals de naam van de fabrikant of het onderdeelnummer, is het moeilijker vast te stellen of het betreffende artikel „actief“ of „verouderd“ is.
Uit een ander intern onderzoek bij Verdantis blijkt dat het aantal gevallen dat verband houdt met productiestilstand en onvoorziene uitgaven met maar liefst 30% kan worden teruggedrongen door te zorgen voor overzichtelijke en actuele MRO-gegevens.
Een soepele afwikkeling van een MRO-proces hangt in hoge mate af van de synchronisatie van gegevens tussen verschillende gegevensdomeinen en zelfs tussen masterdatasets en andere digitale modules in het ERP-systeem.
Deze gegevens worden gesynchroniseerd via „koppelingen“, wat in feite unieke ID’s zijn die een gegevensrecord in verschillende datasets met elkaar verbinden.
Koppelingen tussen de digitale stuklijst en reserveonderdelen leggen verwijzingen vast van reserveonderdeelgegevens naar vaste activa
Het systeem voor reserveonderdelen legt koppelingen aan met het voorraadbeheersysteem
De gegevens uit de beoordeling van de kriticiteit van reserveonderdelen moeten ook in het MRO-hoofdbestand worden gesynchroniseerd om vast te stellen welke reserveonderdelen kritisch zijn en welke niet.
Hoewel dit buiten het toepassingsgebied van de meeste MRO-oplossingen voor gegevensbeheer valt, schrijven best practices ook voor dat reserveonderdelen op basis van hun aard moeten worden ingedeeld in onderdelen met een lage omloopsnelheid, onderdelen met een hoge omloopsnelheid, verouderde onderdelen, enzovoort.
Deze synchronisatie van gegevens maakt vervolgens de weg vrij voor softwareoplossingen voor MRO-voorraadbeheer om over alle benodigde gegevens te beschikken om de voorraadniveaus naadloos te optimaliseren.
MRO-gegevensbeheer is van cruciaal belang voor het waarborgen van de beschikbaarheid van apparatuur en de operationele efficiëntie. Zuivere, consistente gegevens helpen onderhoudsteams om sneller de juiste onderdelen te vinden, maken een nauwkeurige voorraadplanning mogelijk en verminderen vertragingen bij de inkoop – wat uiteindelijk leidt tot kostenbesparingen en het voorkomen van stilstand.
Vertrouw op nauwkeurige onderdelenbeschrijvingen en specificaties om stilstand van apparatuur tot een minimum te beperken en reparaties te stroomlijnen.
Vertrouw op schone, geclassificeerde MRO-gegevens om dubbele aankopen te voorkomen, leveranciersrisico’s te verminderen en inkoopbeslissingen te optimaliseren.
Gebruik betrouwbare MRO-gegevens om de betrouwbaarheid van uw bedrijfsmiddelen te verbeteren, preventief onderhoud te plannen en bedrijfsonderbrekingen te beperken.
Er is gestandaardiseerde data nodig om de voorraadniveaus effectief te beheren, overbevoorrading te voorkomen en dode voorraad weg te werken.
Zorg voor consistentie binnen het hele systeem door MRO-gegevens te integreren in ERP-, EAM- en CMMS-platforms.
Maak gebruik van hoogwaardige MRO-gegevens om initiatieven op het gebied van AI, analyse en voorspellend onderhoud mogelijk te maken.
Hoe kunnen deze problemen met de gegevenskwaliteit worden opgelost?
De oplossing voor deze voortdurende uitdaging kan in twee delen worden onderverdeeld;
-
Normalisatie van bestaande gegevens
-
Aanmaken van toekomstige vermeldingen/records
Dit houdt in dat de historische gegevens die zich in de loop der jaren hebben opgestapeld volledig worden gestandaardiseerd en grondig worden opgeschoond; dit omvat het verwijderen van dubbele vermeldingen, het aanvullen van de benodigde informatie, het extraheren van kenmerken uit de gegevensrecords en het synchroniseren van informatie met andere gegevensbronnen.
Meer dan alleen standaard MRO-gegevensopschoning, softwareoplossingen kunnen ook verbanden leggen tussen verschillende domeinen en een kruisverwijzing tussen beide tot stand brengen.
Tot nu toe waren bedrijven grotendeels aangewezen op grote teams die deze gegevensrecords handmatig opschoonden; hoewel de nauwkeurigheid van dergelijke processen weliswaar aanvaardbaar was, was de doorlooptijd voor het uitvoeren van een dergelijke opschoonactie voor stamgegevensrecords was vrij hoog.
De laatste tijd echter, met de opkomst van speciaal ontwikkelde AI-modellen, verloopt het opschonen van MRO-gegevens tegenwoordig veel nauwkeuriger en kan het in een fractie van de tijd worden uitgevoerd met AI-agenten die zijn getraind op basis van miljoenen gegevensrecords over leveranciers, reserveonderdelen of apparatuur.
In de onderstaande video wordt getoond hoe Harmonize, een softwareoplossing die dergelijke AI-agenten inzet, legacy-gegevens kan normaliseren met een nauwkeurigheid van >95%.
In de onderstaande video wordt het proces van gegevensverrijking binnen onze Data Harmonization-oplossing uitgelegd:
Hoewel het opschonen van verouderde gegevens ervoor zorgt dat de MRO-gegevens uit het verleden correct blijven, is er maar weinig dat voorkomt dat deze problemen met de gegevenskwaliteit opnieuw de kop opsteken.
Daarom kiezen bedrijven doorgaans voor een softwareoplossing die kan worden geïntegreerd met hun ERP-systemen en de MRO-master, om te voorkomen dat er überhaupt duplicaten ontstaan, door gebruik te maken van een combinatie van AI-modellen en krachtige fuzzy-match-systemen.
Sommigen noemen dit ook wel een oplossing voor gegevensbeheer in de MRO-sector.
In de onderstaande video worden de belangrijkste functies van onze oplossing voor gegevensbeheer toegelicht:
Meer dan alleen stamgegevens
Tot nu toe hebben we in grote lijnen besproken wat als standaardaanbod op het gebied van MRO-gegevensbeheer wordt beschouwd.
Bedrijven die echter echt een concurrentievoordeel willen opbouwen met hun strategieën voor MRO-gegevensbeheer, verbeteren de kwaliteit van de gegevens niet alleen door innovatieve benaderingen, maar ook door nieuwe technieken voor deze aanpak toe te passen.
Geavanceerde oplossingen voor MRO-gegevensbeheer kunnen tegenwoordig uw volledige bestaande MRO-onderdelenbestand doorzoeken en de „status“ van elk willekeurig onderdeel vaststellen; dat wil zeggen dat ze een onderdeel kunnen markeren als „Verouderd“ of „Actief“ – waardoor een effectiever Beheer van verouderingsgegevens voor reserveonderdelen.
Dit is nu mogelijk dankzij het gebruik van AI-agenten die zelfstandig contextueel inzicht kunnen verwerven door toegang te krijgen tot leverancierscatalogi, websites en informatie uit openbare en eigen bronnen.
Agentic AI-oplossingen kunnen ook de onderdelengegevens doorzoeken en alternatieve reserveonderdelen en leveranciers voor die reserveonderdelen identificeren.
Dit beheer van reserveonderdelen is van cruciaal belang voor het realiseren van uitmuntendheid in MRO-beheer, het optimaliseren en analyseren van MRO-uitgaven en draagt bij aan een alomvattende MRO-inkoopstrategie.
Zodra de naam van de fabrikant of het onderdeelnummer van de reserveonderdelen bekend is, wordt volgens de beste praktijken aangeraden om deze gegevens te koppelen aan het leveranciersbestand, waardoor een holistische MDM-systeem voor meerdere domeinen
Naast de beoordeling van essentiële MRO-apparatuur en -onderdelen, de aard van de reserveonderdelen en de onderlinge verbanden daartussen, kan een betrouwbare MRO-dataset de mogelijkheden van MRO-voorraadbeheersoftware vergroten
Agentische AI-tools kunnen het proces van aanzienlijk vereenvoudigen en versterken Beheer van stuklijstgegevens door gegevens uit digitale stuklijsten (BOM’s) te extraheren. Deze zijn vaak te vinden in formaten zoals technische PDF’s, Excel-bestanden, ERP-exportbestanden of CAD-tekeningen.
Deze documenten zijn vanwege hun ongestructureerde karakter moeilijk op grote schaal te verwerken, en handmatige verwerking leidt vaak tot fouten, vertragingen en inconsistenties.
Door AI aangestuurde extractietools kunnen deze digitale stuklijsten lezen en automatisch belangrijke informatie eruit halen, zoals onderdeelnummers, apparatuur-ID’s, onderdeelbeschrijvingen en hoeveelheden.
Zodra deze gestructureerde gegevens zijn geëxtraheerd, worden ze vergeleken met de stamgegevens van reserveonderdelen en apparatuur om koppelingen te leggen tussen onderdelen en de specifieke machines of bedrijfsmiddelen waartoe ze behoren.
Deze geautomatiseerde inventarisatie neemt onduidelijkheden weg door duidelijk vast te leggen welke onderdelen in welke apparatuur worden gebruikt, waar ze zich in de activastructuur bevinden en hoeveel stuks er nodig zijn.
Het helpt voorkomen dat er dubbele onderdelenrecords worden aangemaakt, zorgt voor consistentie tussen verschillende gegevensbronnen en ondersteunt het opstellen van nauwkeurige, volledige onderhoudsstuklijsten.
Bovendien draagt dit extractieproces rechtstreeks bij aan het verbeteren van de voorraadnauwkeurigheid, het optimaliseren van de voorraadstrategieën voor reserveonderdelen en het terugdringen van gevallen waarin te veel of te weinig wordt besteld.
Daarnaast maakt het systeem het mogelijk om reserveonderdelen in te delen op basis van hun gebruikscontext binnen de stuklijst – of het nu gaat om onderdelen met een hoge omloopsnelheid, kritieke onderdelen of onderdelen die weinig worden gebruikt – wat van cruciaal belang is voor het stellen van prioriteiten bij de inkoop- en onderhoudsplanning.
Dit draagt bij aan de harmonisatie van gegevens, zorgt voor consistentie tussen de activastamgegevens en de materiaalstamgegevens, en legt de basis voor geavanceerdere automatisering en analyse. Het is een cruciale stap op weg naar proactieve, datagestuurde MRO-activiteiten.
In het verleden vertrouwden bedrijven grotendeels op een leger aan medewerkers die de aangetaste gegevens in MRO-datasets handmatig corrigeerden; zoals eerder vermeld, waren de doorlooptijden, de kosten en de nauwkeurigheid bij een dergelijke aanpak niet optimaal.
MRO-gegevensbeheersoftware, zoals die welke we bij Verdantis hebben ontwikkeld, maakt gebruik van voor de sector getrainde AI-modellen om het grootste deel van de taken op het gebied van gegevensnormalisatie te automatiseren; de resultaten worden vervolgens ter controle teruggestuurd naar een menselijke beoordelaar voor kwaliteitscontrole.
Hieronder volgen enkele sectoren waarin wij gespecialiseerd zijn
Soorten diensten op het gebied van MRO-gegevensbeheer
Het doel van deze dienst is het waarborgen van de „volledigheid“ van MRO-gegevensrecords door informatie uit externe bronnen op te halen, hetzij handmatig, hetzij via een programma, en de informatie vervolgens weer bijwerken in de MRO-dataset.
Bij Verdantis vertrouwen we vooral op door de sector getrainde Agentic AI-modellen die gegevensrecords zelfstandig verrijken over liggers, vaste activa en leveranciers
- Voor MRO-reserveonderdelen kan het gaan om gegevens zoals de naam van de fabrikant, het onderdeelnummer van de fabrikant, kenmerken van het onderdeel, specificaties, meeteenheden en apparatuur waarin ze worden gebruikt
- Voor apparatuur of vaste activa kan dit de fabrikant van de apparatuur, het apparaat-ID, de vestiging waar het wordt gebruikt en de apparatuurcategorie zijn
- Voor leveranciers (of verkopers) kan dit de naam van de fabrikant/distributeur, het adres van het hoofdkantoor, het belastingnummer en soortgelijke gegevens zijn
Dit houdt voornamelijk het catalogiseren van reserveonderdelen in, hoewel bij grootschalige bedrijven ook het catalogiseren van vaste activa en leveranciers gebruikelijk is.
Elke organisatie hanteert een specifieke taxonomie voor de classificatie van MRO-gegevens en vaste activa; enkele van de meest populaire zijn UNSPC, NAICS, PIDEX.
Op basis van de eerder vastgestelde normen worden gegevensrecords gestructureerd en gestandaardiseerd door enorme hoeveelheden ruwe gegevens te verwerken, belangrijke kenmerken te extraheren, ontbrekende waarden aan te vullen en de database te ontdoen van mogelijke L1- en L2-duplicaten.
In sommige gevallen moeten bedrijven gegevensrecords in bulk aanmaken op basis van leverancierscatalogi of interne MRO-stuklijsten.
Met behulp van oplossingen zoals Auto-Doc AI kan dit met een paar muisklikken worden gebundeld en in bulk worden aangemaakt.
Verdantis als specialist in MRO-gegevensbeheer
Verdantis is al jarenlang gespecialiseerd in MRO-masterdatabeheer voor bedrijven met een productiecyclus waarin veel activa worden ingezet en met omvangrijke onderhoudsactiviteiten.
Dankzij onze focus op Agentic AI-modellen voor het volledige aanbod aan MRO-datadiensten zijn we erin geslaagd om wereldwijd ernstige problemen op het gebied van datakwaliteit op te lossen voor middelgrote en grote ondernemingen.
