塔塔鋼鐵是如何轉移的全球製造業和生產朝著可持續性

努力克服遺留數據係統的管理和成本的要求

在幾乎所有的塔塔鋼鐵產品,從家用電器和汽車、消費品包裝和工業設備。作為一個完全集成的鋼鐵操作,塔塔煤礦生產,成品市場,利用數據從我們的七個全球生產基地和跨業務功能透明度、協調、穩定。我們有各種各樣的方式我們利用數據和分析在製造業和商業領域的業務,提高可持續性的目標在我們的操作,降低總體成本,簡化需求計劃。

幾年前,塔塔開始我們的旅行成為一個數據驅動的公司。大多數用例特別分析集中而不是端到端解決方案,我們一開始的數字化階段。我們計劃利用我們的數據在不同的方麵的業務包括:

• 優化供應鏈管理和物流;
• 使產能和需求預測;
• 啟動負載優化;
• 支持、測量和指導塔塔對完成我們的環保措施。

然而,實現轉型跨越多個操作是具有挑戰性的飛離地麵。最初,我們使用遺留數據產品,模仿一個小湖,沒有民主化和規模,我們需要的好處。我們如何最大化的內部知識有限的基礎設施和認為大多數工具是體會到給我們的數據團隊的組成。問題集群可用性和跨多個用戶訪問頻繁的中斷,造成沮喪的用戶,導致昂貴的停機時間。此外,我們必須提供自己的UI上的基礎設施和分析引擎,導致我們產生重大開銷productionization用例以及集成與我們Azure雲。太多的基礎設施管理要求增加開銷,並迫使人才過多的時間來打補丁,更新和維護工具——浪費時間在基礎設施問題而不是解決業務問題。這無法對我們的數據采取行動抑製我們的能力,我們的目標用例進入生產。

我們需要一個全麵管理,用戶友好的數據平台,不僅可以團結所有的數據在一個地方還允許和授權團隊利Beplay体育安卓版本用我們的數據的障礙被訪問。一旦學習Lakehouse架構,我們意識到它提供超越價值標準雲數據倉庫往往缺乏開放性,靈活性和機器學習的數據支持湖泊。最重要的是,采取一個統一的方法由Lakehouse將開啟我們的數據在多個團隊的承諾在組織內,刺激創新和更好的決策。

數據支持lakehouse允許聰明的商業決策

大約一年半前,塔塔的部署磚Lakehouse平台Beplay体育安卓版本在Azure上。遷移是光滑的,因為我們有內部Azure知識和軟件立即解決了很多問題,特別是從基礎設施和數據管理的角度。突然間,對管理員和用戶數據的可訪問性增強。我們的集群問題被淘汰,我們終於輕鬆的可伸縮性——讓我們探索我們的數據的方式不可能。沒有底層基礎設施維護任務,我們變得更有成本效益的和降低開銷。與此同時,我們終於能夠利用機器學習(ML)通過創新更好地滿足業務目標。總共,磚的一切都是基於ui,使我們能夠從it驅動轉向業務價值驅動由於磚Lakehouse平台的簡單性和易用性。Beplay体育安卓版本

現在配備了集中統一lakehouse平台,塔塔大約有20到30個不同的用例在生產。Beplay体育安卓版本使用磚Lakehouse組件、MLflow MLflow和三角洲的組合表,塔塔團隊全麵利用毫升不過去我們糾結的問題。需求預測和供應鏈管理,以前估計與粗糙的數據,現在的根據客戶的需求,現有的和未來的供應、運輸方式、工作流能力和庫存管理。這些見解讓塔塔,以更好地滿足客戶的期望和改善整體滿意度,更好地理解他們的需求,讓我們在需要的時候生產產品或利用現有庫存,以避免浪費和昂貴的高峰交通最後的交付。

在生產方麵,用例包括預測完成日期的訂單,動態配方控製以確保鋼標準滿足客戶的標準在生產完成之前,和預測汽車保養和維修計劃,以避免停機時間和幹擾植物。除了這些用例專注於滿足客戶的期望,我們也在環境可持續性投入巨資。例如,通過負載優化貨物運輸期間,我們能夠改善我們的碳中和生產和減少二氧化碳排放。磚,塔塔能夠接近這些目標通過減少生產過程中產生的灰塵和氣味的排放,並增加貨運有效載荷這產品隻有在充分利用運輸卡車。

塔塔正在經曆的價值超越了機器學習。我們也能夠為數據驅動的見解不同的團隊和整個組織的利益相關者。Lakehouse與我們的數據集中,我們能夠輕鬆地傳輸數據使用儀表板在供應鏈工作流,做出更好的決策需求預測,容量規劃,等等。塔塔的規模經營,這些微小的變化大大有助於減少我們對可持續發展的足跡和奮鬥。

結構化數據共享可以確保一個更美好的明天,每一天

現在,結構化數據共享是通過磚和各種磚組件被塔塔,我們看到努力的結果我們可以信任。今天,我們的需求預測模型比以前更準確地執行30%磚。我們有效載荷優化用例提供4 - 8%節省成本通過更好的交通規劃和交通分配空間。

從用戶使用的角度來看,我們已經創造了一個論壇,分享知識,幫助團隊在職能部門的磚的旅程。反過來,這減少了項目轉,並幫助團隊獲得深入的了解數據在塔塔做出更明智的決策。一切源自磚,我們知道團隊使用的是準確的數字,跨團隊合作,和參與知識共享使主數據管理更容易,更值得信賴,更符合邏輯。今天,我們有超過50個機器學習用例在我們的商業和製造業包括生產物流規劃、有效載荷優化,生產質量管理、預見性維護等等。

此外,磚的組件(比如MLflow解決傳統問題經常阻止非it用戶成功實施基於數據的用例。現在,缺乏經驗的用戶可以開始自己的項目,很容易與AutoML基準,監測數據質量與MLflow在各種渠道,並使用與MLflow三角洲表版本之間的可追溯性。

整體數據磚幫助我們未來的計劃,因為它允許我們專注於真正重要的。我們可以看到大圖可持續性發展和小圖片用例應用程序沒有迷失在技術管理的細節。相反,我們可以攝入比例數據,用例,用戶采用更多影響整個組織。與磚與我們的夥伴關係,我們正在迅速走向可持續生產與零碳物流等獲獎的用例,也成為領先的數據驅動未來的鋼鐵公司。