Toapappersgiganten klarade pandemin med hjälp av dataanalys

tissue-6537455

I dag verkar det kanske bisarrt, men när pandemin bröt ut för drygt två år sedan hamstrade folk toapapper som tokiga. Faktum är att det var tomt på hyllorna hos 73 procent av dagligvaruhandlarna i USA under april 2020. Hos stora tillverkare av toalettpapper var känslorna blandade. Å ena sidan var det självklart toppen med hög försäljning. Å andra sidan innebar ruschen efter toapapper och andra varor stora problem vad gäller försörjning av råvaror och logistik i allmänhet.

Georgia-Pacific i USA är en ledande tillverkare av toalettpapper och producerar även näsdukar, pappersmassa och olika kemiska produkter, som alla blev bristvaror när pandemin tog fart. Företaget som har 150 fabriker fann sig stå inför enorma utmaningar. Det krävdes kreativa lösningar.

– Vi använder avancerad dataanalys för att öka produktiviteten. Under pandemin ökade vi effektiviteten i användning av vår utrustning med tio procent, vilket gjorde att vi kunde få ut mer varor i affärerna”, säger Steven Bakalar, ansvarig för digital transformation på Georgia-Pacific.

Han berättar vidare att det inte bara handlade om att öka leveranserna. Samtidigt som hushållens efterfrågan ökade, minskade behoven för hotell och företag. Georgia-Pacific använde återigen dataanalys, nu för att optimera logistiken kring leveranser. Det blev möjligt eftersom man redan använde SAS Viya på Amazon Web Services för avancerad dataanalys och AI.

Stora volymer

För att lyckas bedriver Georgia-Pacific en analysverksamhet som är stor enligt alla tänkbara mått.

– Vi genererar en TB data varje dag, som används för maskininlärning”, berättar Roshan Shah, som ansvarar för analys inom tillverkning på Georgia-Pacific.

Roshan Shah leder ett team på 70 personer. De använder fler än 15 000 modeller för maskininlärning för att beräkna optimala inställningar för tillverkning, baserat på aktuella affärsbehov. Det gäller tillverkning för allt från plywood och lådor för förpackning, till pappersnäsdukar.

– De avancerade funktionerna i verktygen från SAS Institute hjälper oss att hitta en optimal balans mellan hastighet, kvalitet och lönsamhet. Vi tänjer hela tiden på gränserna för vad som är möjligt med dataanalys”, säger Roshan Shah.

Minimera nertid

Ett exempel på maskininlärning är att beräkna den näst bästa processen när det fjärde steget av tio fallerar på grund av vått material. Modellen minimerar mängden produkter som måste säljas som sekunda eller kasseras. Ett annat exempel är att kameror används på fabriksgolven för att upptäcka problem automatiskt. Det blir möjligt tack vare datorseende (computer vision).

Nertid minimeras med hjälp av 85 000 sensorer som känner av vibrationer i maskiner. Det gör att det går att byta ut delar i lämplig tid innan maskiner går sönder. 

– Tidigare ägnade våra tekniker det mesta av tiden åt att leta efter trasiga maskiner och maskiner som var på väg att gå sönder. Nu kan de ägna tiden år att fixa problemen, i stället för att leta efter dem. Den oplanerade nertiden har minskat med 30 procent”, säger Steven Bakalar.

Ytterligare en vinst är att det går att använda SAS Institutes plattform för att dokumentera den kunskap som krävs för att arbeta med tillverkning och göra den tillgänglig. Det innebär att nyanställda kan bli produktiva snabbt.