Perché è il momento giusto per passare all'assistenza proattiva

MacDonald: Assistenza e servizi di postvendita sono ormai fattori importanti per le moderne aziende manifatturiere. I clienti chiedono più valore e i produttori realizzano che rapporti a lungo termine più stretti e duraturi con i clienti offrono livelli superiori di redditività e sostenibilità. Anche in assenza di questo tipo di rapporti, cercheranno di spingere i clienti a tornare, producendo entrate costanti.

I margini sui prodotti sono sempre più ristretti. Aziende e dirigenti guardano all'assistenza come a un aspetto per compensare la pressione sui margini garantendo maggiore valore, creando rapporti più stretti con i clienti e offrendo opportunità per integrare soluzioni a un livello più avanzato nelle operazioni dei clienti e fornire prodotti e servizi aggiuntivi correlati alle offerte di base.

Il problema per molti produttori consiste nel fatto che gran parte dei servizi di assistenza e postvendita vengono in genere delegati a terze parti, che potrebbero non avere una visuale a 360 gradi dell'azienda o seguire le linee guida alla lettera. Un approccio proattivo è un modo per riacquisire il controllo. Significa riguadagnare quantomeno visibilità e un certo livello di controllo che consenta la standardizzazione dei servizi.

Se osserviamo l'assistenza, che può avere margini pari a 2,5 volte quelli delle vendite di nuovi prodotti, e notiamo che molti produttori generano dal 40 al 50% del profitto complessivo dai servizi di postvendita, è evidente il motivo per cui i produttori iniziano ad avvicinarsi alle analisi e ai servizi proattivi, che offrono loro la possibilità di ascoltare le apparecchiature e gli asset sul campo e di adattare i movimenti operativi agli schemi individuati di volta in volta. Un approccio proattivo offre inoltre un modo per proteggere la redditività dei servizi di assistenza. Potranno quindi offrire contratti SLA più aggressivi e, di conseguenza, concludere con maggiori probabilità attività più redditizie a lungo termine.

MacDonald: Utilizzerò un'analogia. Facciamo un passo indietro e pensiamo agli asset fisici, ai prodotti intelligenti e connessi. Abbiamo dati di telemetria e potenzialmente altri dati sull'assistenza ricavabili dai sistemi. È esattamente come la capacità di ascoltare. La domanda, a questo punto, è: cosa ascoltiamo? C'è molto rumore, dunque dobbiamo ascoltare solo i dati più importanti?

Senza nemmeno considerare l'analisi predittiva e prescrittiva, pensiamo alle caratteristiche e all'importanza statistica delle prestazioni. Ci consentono di ascoltare chiaramente le note accordate o stonate in mezzo al rumore di sottofondo.

Naturalmente, potremo sempre udire un grido, ma in genere le grida provengono da qualcuno o qualcosa che attraversa già una sorta di crisi, che è già in pericolo. Quindi, gestiamo i problemi in modo reattivo.

Essere in grado di ascoltare davvero le cose giuste offre un vantaggio: possiamo iniziare a identificare modelli e comportamenti delle prestazioni per diagnosticare la situazione. I clienti si aspettano operazioni ottimali. Tendono a penalizzare i produttori che ritengono, a torto o a ragione, responsabili di periodi di inattività non pianificati. La capacità di ascoltare le note stonate consentirà di gestire un problema prima che si verifichi una situazione di pericolo dall'apparecchiatura o dal cliente.

Le analisi forniscono gli approfondimenti diagnostici di cui parlavo. Possono individuare deviazioni dalle best practice o dal modo in cui dovrebbe essere utilizzata un'apparecchiatura in un ambiente. Servizi proattivi basati su queste analisi individuano i problemi prima che si verifichino.

Con un prodotto connesso possiamo avere una visuale della situazione nell'ambiente in cui l'asset è in uso. Le analisi, e in particolare le analisi avanzate, consentono l'elaborazione di questi dati per identificare anomalie, schemi ed eventi statisticamente rilevanti: in altre parole, abbiamo una lente più obiettiva sul problema reale.

L'efficienza dell'assistenza può essere migliorata con livelli superiori di pianificazione e allocazione delle risorse. Grazie ad approfondimenti predittivi che agevolano per i produttori il passaggio da un modello di assistenza basato sul calendario o sulla manutenzione a guasto, le chiamate all'assistenza risultano più efficienti, con un numero inferiore di spostamenti, richiamate e così via.

Senza un prodotto connesso, inviamo spesso un tecnico sul posto per eseguire la diagnostica, scoprendo poi che non ha con sé il componente giusto o non dispone dell'esperienza richiesta per risolvere un problema. Un periodo di inattività operativa ritarda le riparazioni per un cliente. La capacità di evitare errori è fondamentale, ma lo è anche l'efficienza nell'erogazione di attività di manutenzione di routine per operazioni o azioni, anziché per la sostituzione di cinghie o l'applicazione di lubrificanti. Spesso è molto più efficiente eseguire la manutenzione di routine prima che sia tecnicamente necessario. In questo modo, le chiamate ordinarie all'assistenza possono trasformarsi in punti di contatto di valore superiore.

Inoltre, un tecnico preparato con le analisi giuste sa anche quali altri problemi cercare. Può eseguire la diagnostica appropriata per risolvere rapidamente il problema e raccogliere dati aggiuntivi per ottenere una visuale più approfondita dell'apparecchiatura nel suo ambiente.

L'importanza di queste funzionalità remote self-service non è mai eccessiva, in particolare durante una pandemia.

MacDonald: Sì. Inizia a diffondersi. Tuttavia, si tratta di una questione legata soprattutto ai costruttori delle macchine, piuttosto che alle operazioni di fabbricazione. Uno dei nostri casi d'uso di analisi più emblematici è quello che riguarda i produttori di pneumatici. Le macchine per la fabbricazione di pneumatici presentano vari set point. Un'esecuzione errata di una procedura determina rilavorazioni o scarti, con conseguente perdita di denaro e, in ultima istanza, di entrate.

L'intero concetto di analisi prescrittiva ha preso forma perché i dati erano disponibili e perché conoscevano i propri dati. Potevano associarli ai risultati operativi da una lente predittiva. Sanno cosa accadrà prima della fase che determinerà quel risultato. Ma avevano anche alcune leve. Nell'ambito della costruzione di macchine, i set point sono leve a tutti gli effetti, o leve nei dati. Possiamo iniziare a eseguire ottimizzazioni e prescrivere i vari set point per evitare determinati problemi. Si tratta di un caso d'uso che corrisponde a centinaia e centinaia di milioni di dollari di ROI.

MacDonald: MacDonald: Assolutamente sì, soprattutto dal punto di vista operativo. Prendiamo lo stesso esempio di poco fa: sono un produttore di macchine per la fabbricazione di pneumatici o di qualsiasi altra apparecchiatura impiegata in operazioni di produzione. Un mio cliente deve assolutamente modificare le procedure di lavoro per poter utilizzare al meglio le apparecchiature. A questo punto mi verrebbe il dubbio che le specifiche di progettazione tecnica che ho fornito non siano state sviluppate sul lungo termine o per simulare le condizioni più appropriate. I set point sono più dinamici di quanto previsto.

È a questo punto che mi chiederei: forse dovrei iniziare a elaborare le analisi di questi set point e fornire un'applicazione al mio cliente finale. Se riesco ad acquisire dettagli sul modo in cui la mia apparecchiatura apporterà vantaggi o determinerà problemi nel funzionamento, posso condividere queste informazioni, anche in ambito di assistenza, per garantire il raggiungimento di questi risultati operativi.

MacDonald: La tecnologia più importante è, ovviamente, la connettività. Ci consente di contestualizzare la posizione degli asset e ci rivela l'ambiente fisico in termini di dati. Con la giusta tecnologia possiamo modellare i dati in relazione al loro contesto.

Ma sono anche molte altre le tecnologie importanti. C'è l'integrazione dei sistemi, che entra in gioco nella connettività edge ai sensori. Esistono anche altri sistemi o sistemi di servizi che possono rientrare in un impegno proattivo generale. La condizione ideale è quella di fornire quanti più strumenti e funzionalità possibili in grado di semplificare l'integrazione dei sistemi.

Il monitoraggio remoto è il punto di partenza. Come ho già detto, dobbiamo essere in grado almeno di sentire prima di iniziare ad ascoltare.

Per quanto mi riguarda, assistenza remota aumentata, istruzioni di lavoro 3D aumentate e acquisizione di esperti aumentata sono elementi essenziali. Aspetti come l'assistenza e la gestione delle parti e dei workflow consentono di ricavare approfondimenti dalle analisi. Calcoli statistici e machine learning semplificano il tutto.

Il machine learning automatizzato consente di creare e perfezionare più rapidamente i modelli per la rappresentazione dei dati. Questo ci permette di ottenere previsioni e risultati migliori, che dovranno essere ulteriormente integrati con analisi generali.

Abbiamo inoltre bisogno di una piattaforma per lo sviluppo di applicazioni. Sono molti gli elementi che entrano in gioco in questi casi d'uso di servizi proattivi. Le funzionalità più critiche riguardano la capacità di connettere, memorizzare e comprendere i dati, soprattutto mediante tecniche di analisi avanzata come il machine learning con l'obiettivo di sviluppare modelli per generare previsioni.

Tutto questo deve essere messo a punto prima di ogni altra cosa. Dobbiamo avere sistemi e applicazioni in tempo reale per introdurre i dati in questi modelli. Dobbiamo avere sistemi e applicazioni in grado di acquisire previsioni e utilizzarle in qualche modo.

La spirale ascendente delle analisi approfondite e del valore aziendale è incredibile. Senza una connettività costante, è impossibile scalare qualsiasi iniziativa di servizi proattivi oltre la fase pilota. Affidarsi a metodi manuali e incoerenti per estrarre i dati è ormai un'opzione sempre meno plausibile.

In modo analogo, abbiamo bisogno di una serie di tecniche di analisi disponibili in ogni fase del processo per poter fornire queste informazioni utili. Un produttore potrebbe iniziare con l'aggiunta di sensori e la connessione remota all'apparecchiatura sul campo, per poi proseguire stabilendo soglie per segnalare a operatori, tecnici remoti e reparti di assistenza la necessità di esaminare l'eventuale presenza di problemi nell'apparecchiatura.

Queste soglie, con informazioni aggiuntive, possono evolversi in medie mobili e benchmark che riguardano la comprensione del normale utilizzo e degli schemi operativi. Le indagini rilevate possono essere alimentate in algoritmi di machine learning. Possono individuare schemi potenzialmente causali e produrre diagnostica automatizzata avanzata. Possono quindi iniziare a effettuare previsioni e addirittura prescrizioni. Tutto questo ci offre l'opportunità di riconcepire da zero i processi aziendali e operativi: un modo essenziale per trasformare le operazioni di assistenza.

MacDonald: Essenzialmente la connettività, il punto di partenza, può rappresentare una sfida per lo sviluppo di servizi proattivi. È necessario connettersi a dispositivi diversi e a diverse versioni di dispositivi simili, consapevoli del fatto che verranno utilizzati in condizioni diverse da un produttore e dall'intera base clienti. Le misurazioni dei dati e i protocolli tecnici di connettività varieranno nel tempo. PTC entra in gioco offrendo funzionalità per supportare gerarchie, federate dall'edge al cloud, che semplificano la capacità di definire e iterare questi asset digitali.

I produttori affrontano l'enorme difficoltà di disporre di dati limitati sull'ambiente operativo dei clienti. Raramente hanno a disposizione dati al di fuori dell'apparecchiatura connessa che vendono e di cui effettuano la manutenzione. In altre parole, potrebbero non disporre sempre dei dati etichettati. I produttori devono ragionare in termini di etichettatura dei dati dei risultati, poiché questi ultimi potrebbero riguardare un elemento operativo.

Potrebbero dover impiegare altre tecniche, come il rilevamento delle anomalie e il monitoraggio statistico: tutte tappe obbligatorie importanti prima che sia possibile ottenere informazioni predittive, soprattutto nei casi in cui una circostanza o una modalità di guasto non viene archiviata chiaramente e non è persistente.

Infine, i servizi proattivi richiedono l'integrazione di diversi sistemi per eseguire azioni basate sulle informazioni predittive o di qualsiasi altro tipo, ad esempio per la visualizzazione di un allarme che avvia un workflow o di altri sistemi. Disporre di strumenti per i workflow e integrazioni API in una piattaforma e in un ambiente software in uso è un elemento essenziale e un obiettivo a cui aspirare.

Alla luce di tutto questo, è essenziale comprendere che, in ultima istanza, la trasformazione digitale richiede un impegno. Deve basarsi sulla collaborazione e sulla volontà di apprendere e iterare. È necessario partire da qui, perché l'implementazione di una tecnologia è un processo tutt'altro che semplice.

Nulla accade per magia. La chiave del successo è molto più della semplice tecnologia. I progetti devono essere allineati a questa vision complessiva. Sono molte le parti coinvolte che devono concordare su definizioni di dati comuni. Ingegneri, architetti, data scientist e operatori devono trovare un modo per collaborare. Sono sempre esistiti in contesti distinti. Ora devono collaborare e unire le loro forze per comprendere e ricavare informazioni. Devono impegnarsi meglio per capire in che modo i dati incidono sui processi reali che intendono influenzare.

Devono essere tutti intenzionati a prendere queste decisioni basate sui dati. E per riuscirci è necessaria una leadership dirigenziale. I leader che sovraccaricano un progetto non definito in modo adeguato con aspettative irrealistiche rischiano di fallire nell'intento. È necessario iniziare dagli obiettivi aziendali e procedere a ritroso fino a una vision di trasformazione digitale, ancor prima di identificare i progetti idonei da utilizzare come elementi di base per la strategia.

In poche parole, i leader moderni devono avere una vision sufficientemente chiara da cui iniziare a organizzare il tutto e flessibile al punto da gestire eventuali incertezze intrinseche nelle modalità di iterazione che applichiamo per conseguire il risultato. Come raggiungere l'equilibrio perfetto è uno degli aspetti che appare più chiaro col senno di poi, ma che può risultare piuttosto difficile da comprendere a priori.

MacDonald: Qualunque produttore che fornisca apparecchiature essenziali per le operazioni dei clienti può trarne vantaggio. La questione riguarda le situazioni in cui i periodi di inattività sono un fattore critico. Inoltre, i servizi proattivi sono ampiamente validi per promuovere le ottimizzazioni, ma il caso aziendale è importante e l'opportunità è enorme per le apparecchiature o gli asset in cui i periodi di inattività rappresentano un aspetto critico, l'assistenza è costosa e, soprattutto, sicurezza e conformità alle normative hanno la massima priorità.

Un esempio calzante è quello di Howden, leader globale nella produzione di soluzioni per il trattamento di aria e gas. Le sue apparecchiature sono utilizzate in vari settori, tra cui quello metallurgico, minerario e dei trasporti e in ambito di infrastrutture, produzione di energia, estrazione di petrolio e gas e smaltimento delle acque reflue.

I suoi asset sono essenziali per l'integrità dei sistemi. L'azienda ha sviluppato Howden Uptime, una soluzione IoT connessa concepita inizialmente per i suoi asset su misura di fascia alta. Il prodotto fornisce informazioni approfondite non solo al reparto di assistenza, ma anche ai clienti finali.

La concentrazione idrica non faceva parte di questa soluzione e non era monitorata in linea nell'apparecchiatura o nell'asset. I tecnici svolgevano regolarmente misurazioni manuali. Uno dei suoi clienti nel settore del gas e del petrolio non era soddisfatto. L'istinto naturale del cliente è quello di dire "L'apparecchiatura non funziona. Determina periodi di inattività". Howden voleva comprendere il problema. Ha integrato nell'applicazione un modello di previsione idrica che ha permesso di capire che il problema era nelle operazioni e non nell'apparecchiatura. Il modello ha inoltre fornito indicazioni dettagliate su come utilizzare al meglio l'apparecchiatura a seconda della situazione.

Si trattava di un'opportunità importante per un cliente di rilievo, un processo in grado di ottimizzare la soluzione IoT complessiva di questa azienda in modo da fornire informazioni diagnostiche e predittive a ciclo continuo. A quel punto era possibile utilizzare la soluzione anche con altri clienti.

Secondo Howden, il fattore critico per il successo di questo progetto era soprattutto la comprensione del valore creato dall'intersezione delle attività: l'analisi e la modellazione predittiva dei dati sono elementi fondamentali per accelerare il passaggio globale alla servitizzazione. Detto questo, gran parte del valore di un progetto di assistenza proattiva consiste nel creare un piano che offra una differenziazione strategica competitiva in un mercato industriale particolarmente maturo.