ליצרניות ישראליות יש אוצר נתונים – ורובן עדיין לא מפיקות ממנו מספיק ערך

מאת בת אל דיין פורטל

הסקטור היצרני בישראל מתמודד בשנים האחרונות עם אתגרים מורכבים: שיבושים בשרשרת האספקה, מחסור בכוח אדם מקצועי, עלייה בעלויות חומרי גלם, לחצים לעמידה בזמני אספקה ודרישה מתמדת להתייעלות. בתוך כל זה, מהפכת ה-AI מגיעה גם לרצפת הייצור. אבל בשיחות עם מנהלים בחברות יצרניות חוזרת שוב ושוב אותה אמירה: “יש לנו נתונים על כל דבר, אבל אנחנו לא מצליחים לעשות איתם מספיק".

הם לא טועים. ברוב הארגונים קיימות שנים רבות של נתוני ייצור, מלאי, רכש, איכות, תחזוקה, תכנון ואספקה. מערכות ERP, מערכות ייצור, מערכות איכות וגיליונות אקסל מתעדים כמעט כל תנועה בקו הייצור. הבעיה אינה היעדר מידע. הבעיה היא שהמידע מפוזר בין מערכות, מוגדר אחרת בכל מחלקה, ולעיתים אינו נגיש בזמן שבו ההנהלה צריכה לקבל החלטה.

כשמגיעה הבינה המלאכותית לתמונה, השאלה הראשונה אינה "באיזו פלטפורמה נשתמש", אלא "על איזה בסיס נתונים ה-AI הזאת הולכת לעבוד". חלק גדול מפרויקטי ה-AI שנכשלים בארגונים אינם נכשלים בגלל האלגוריתם, אלא בגלל בעיות בדאטה: מידע חלקי, כפילויות, הגדרות לא אחידות, חוסר חיבור בין מערכות וחוסר יכולת לסמוך על הנתונים בזמן אמת.

לאורך השנים צברה SIT ניסיון בעבודה עם חברות יצרניות ממגוון סקטורים, בהם תעשייה ביטחונית, אלקטרוניקה ורכיבים, דפוס ואריזות, מזון ומשקאות, רכב, מים והשקיה ותעשייה כבדה. למרות ההבדלים בין התחומים, האתגר חוזר על עצמו כמעט בכל ארגון: כמות גדולה של נתונים שנאספת לאורך שנים, אך אינה מתורגמת לתובנות ניהוליות ותפעוליות בזמן אמת.

בפועל, הפער הזה מורגש ביומיום. מנהל ייצור מוריד נתוני MRP לאקסל כדי להבין מה צפוי לקרות בשבוע הבא. מנהל רכש מזהה חריגה מספק רק אחרי שהיא כבר משפיעה על קו הייצור. מנהלת איכות מרכיבה דוחות שבועיים ממקורות מידע שלא תמיד מדברים זה עם זה. והנהלה מגיעה לדיון רבעוני כשכל מחלקה מציגה מספרים שונים. אלו לא כשלים של אנשים. אלו כשלים של תשתית.

מערכת MRP יכולה לספק תמונת מצב חשובה, אך ברוב המקרים היא מספרת בעיקר מה קיים עכשיו. השאלה החשובה באמת היא מה עומד לקרות. אם המערכות הארגוניות אינן יודעות לנתח מגמות, לזהות חריגות ולחזות את הפעולות הבאות על בסיס דאטה אמינה, הן לא באמת מסייעות להנהלה לקבל החלטות קדימה.

אותו דפוס חוזר גם באיכות. חברות רבות מצוינות בתיעוד כשלים, אך פחות טובות בזיהוי הדפוס שמקדים אותם. כשמסתכלים על נתוני האיכות לאורך זמן, מתברר לא פעם שהכשלים לא באמת היו מפתיעים. הם היו צפויים, רק שאיש לא חיבר בזמן בין הנתונים.

אז מה צריך לקרות לפני AI?

חברות שמצליחות להטמיע AI בעולם הייצור לא מתחילות מהכלי. הן מתחילות מסדר. השלב הראשון הוא מיפוי מקורות המידע בארגון: אילו מערכות קיימות, היכן נמצאים הנתונים, מי משתמש בהם ומה רמת האמינות שלהם. לאחר מכן נדרשת הגדרה אחידה של מושגים עסקיים מרכזיים, כמו מלאי זמין, כשל איכות, תפוקה, עמידה בזמנים ורווחיות מוצר.

השלב הבא הוא חיבור בין מערכות ה-ERP, הייצור, הרכש, המלאי והאיכות, ובניית מאגר נתונים מרכזי, כמו DWH או Data Lake, שמאפשר לארגון לעבוד על בסיס מקור אמת אחד.

ב-SIT אנחנו פוגשים חברות בשלבים שונים של מוכנות. יש חברות שעדיין עובדות עם תהליכים ידניים ואקסלים, יש חברות שכבר הקימו תשתית חלקית אך חסרה להן שכבת דאטה אחידה, ויש חברות שכבר מוכנות לשלב הבא: פתרונות AI וסוכנים חכמים שמייצרים תובנות תפעוליות בזמן אמת.

היתרון של SIT נמצא בדיוק בנקודת החיבור הזו: שילוב בין ניסיון עמוק עם חברות יצרניות, הבנה של תהליכים עסקיים ותפעוליים, ויכולת לבנות תשתיות דאטה ופתרונות AI שמייצרים ערך עסקי אמיתי.

לפני שבוחרים כלי AI, חברות יצרניות צריכות לשאול שאלה אחת פשוטה: האם הדאטה שלנו מוכנה לקבל החלטות חכמות?

כי בסופו של דבר, איכות ההחלטות של כל מערכת AI לעולם לא תהיה גבוהה יותר מאיכות הנתונים שעליהם היא נשענת.

הכותבת היא CRO ב-SIT, חברה המתמחה בליווי חברות יצרניות ישראליות בתהליכי טרנספורמציה דיגיטלית, תשתיות דאטה ופתרונות  AI.