Data uit machines inzetten om servicecontracten te optimaliseren? Voor echt vernieuwende inzichten kijkt Atlas Copco naar academisch onderzoek.
Professor Robert Boute: "Wij bieden geen consulting aan of oplossingen op korte termijn. Academisch onderzoek gaat over innovatie op lángere termijn." © KU Leuven - RS
Een machine heeft op gezette tijden onderhoud nodig om goed te blijven draaien. En gaat een onderdeel stuk, dan moet dat vervangen worden. Dat geldt voor uw auto en uw verwarmingsketel, maar dat geldt evenzeer voor machines in de industrie. Voorspellen wanneer onderhoud nodig is, is daar van cruciaal belang. Hoe je dat kan doen op basis van beschikbare data is het onderzoeksdomein van professor Robert Boute van de Faculteit Economie en Bedrijfswetenschappen. Hij is al elf jaar titularis van de Atlas Copco Research Chair in Service Systems, een leerstoel gefinancierd door internationale compressorengigant Atlas Copco.
“Als gebruiker reken je erop dat het onderhoud van je wagen niet te laat komt, met andere woorden: vóór je ermee op de pechstrook belandt. En als een onderdeel van je verwarmingsketel stuk is, dan hoop je dat het in voorraad is en snel geleverd raakt”, zegt Boute. Voor bedrijven die industriële machines gebruiken is dat niet anders. Het onderhoud mag niet te vroeg gebeuren om zo min mogelijk nuttige tijd te verliezen, maar ook niet te laat – na een defect – want dan zijn de kosten hoger en gaat productiviteit verloren. Het komt er dus op aan zo accuraat mogelijk te voorspellen wanneer een machine onderhoud nodig heeft. Prescriptive maintenance is voor producenten van industriële machines een belangrijk onderdeel van hun service na verkoop geworden.
Open wisselwerking
Digitalisering maakt die voorspelling steeds nauwkeuriger: machines zijn smart – lees: geconnecteerd – en uit de data lees je af welke service wanneer nodig is. Althans, die revolutie is volop aan de gang. “Bedrijven stellen zich allemaal dezelfde vragen: hoe kan ik kostenefficiënt en rendabel zijn? En hoe bied ik meerwaarde voor de klant? Het antwoord op die vragen is vandaag de dag te vinden in data. Maar hoe je die data verwerkt en omzet in modellen en beheersinstrumenten, dat zijn nieuwe vragen die tien, vijftien jaar geleden niet bestonden,” aldus Boute.
Björn Leempoels: Wij kijken met een bepaalde blik naar onze busienss, maar academici zien het veel breder.
De schenker van de leerstoel, Atlas Copco, maakt industriële machines, zoals compressoren, voor bedrijven wereldwijd. "Wij verzamelen enorm veel data uit ons ERP-systeem, ons CRM-systeem, ons connectivity-platform enzovoort, en we willen maximaal leren uit die data, bijvoorbeeld hoe we ze kunnen inzetten om onze servicecontracten te optimaliseren”, zegt Björn Leempoels. Hij is vicepresident sales en marketing van de 'compressortechniek service divisie' bij Atlas Copco. Waarom een leerstoel de geschikte weg is om antwoorden te vinden op die vragen, is voor Leempoels helder: “Innoveren doe je vanuit een open startvraag, zonder dat je op voorhand weet of er resultaat zal zijn. Met de professoren en experts aan de universiteit is er een wisselwerking. Wij kijken met een bepaalde blik naar onze business, maar academici zien het veel breder en komen met interessante ideeën waar wij niet aan zouden denken.”
Vinger aan de pols
Met de fondsen van de leerstoel zet Robert Boute doctoraatsstudenten aan het werk. In de voorbije elf jaar werkten vijf doctorandi op onderzoeksvragen als: hoe gebruik je data om onderhoud predictief aan te sturen? Hoe kan je aan de hand van data anticiperen op de vraag naar reserve-onderdelen en het voorraadbeleid hierop afstemmen? “Met een leerstoel kunnen we onafhankelijk onderzoek doen naar relevante businessvraagstukken. Wij hebben ook geen resultaatsverbintenis tegenover Atlas Copco, maar kunnen wel gebruik maken van hun data om onze modellen te valideren,” zegt Boute. “Zo leveren we een waardevolle academische bijdrage die verder gaat dan puur theorie en heeft de hele sector iets aan onze vernieuwende inzichten.”
Robert Boute: "Wij willen maatschappelijk relevant onderzoek doen, niet enkel interessant voor één bedrijf, maar voor een hele sector."
Professor Boute brengt een paar keer per jaar verslag uit van de vorderingen van het onderzoek en gaat erover in discussie met het management van Atlas Copco. Hun feedback en vragen helpen de onderzoekers om nog beter te doen. “Wij bieden geen consulting aan of oplossingen op korte termijn. Academisch onderzoek gaat over innovatie op lángere termijn. Bedrijven die voortdurend willen innoveren kloppen daarom graag aan bij universiteiten om te leren en inspiratie te vinden.”
Omgekeerd vindt Boute het belangrijk om de vinger aan de pols te houden en de meest actuele vraagstukken in de bedrijfswereld te detecteren: “Wij willen maatschappelijk relevant onderzoek doen, niet enkel interessant voor één bedrijf, maar voor een hele sector. Ik denk dat we die kans zouden missen als we de connectie met bedrijven niet hadden.” Atlas Copco engageerde zich alvast tot 2026 om het onderzoek te blijven steunen.
Bonus-malus
Het team van professor Boute buigt zich momenteel over de vraag hoe industriële bedrijven de prijszetting van onderhoudscontracten kunnen bepalen op basis van data uit de toestellen die ze hebben verkocht. Bedrijven als Atlas Copco rekenen een vergoeding aan voor onderhoud na verkoop. Maar hoe bepaal je dat bedrag? Met welke factoren houd je rekening? Hoe bereken je de kostprijs van onderdelen die in de toekomst misschien vervangen moeten worden?
Het profiel van industriële klanten, verspreid over de hele wereld, is ook nog eens erg divers. Niemand wil het gevoel hebben meer te betalen dan wat het onderhoud werkelijk kost en iedereen wil op tijd de nodige service krijgen. “Vergelijk het met hoe een verzekeraar de premies bepaalt op basis van de risicoprofielen en die vervolgens eventueel aanpast via een bonus-malussysteem”, zegt Boute. Daarom werkt hij samen met professor Katrien Antonio. Zij is gespecialiseerd in het gebruik van data science bij verzekeraars. “We hebben modellen uit de verzekeringswereld geïntroduceerd in een industriële context,” licht Boute toe. “Slimme machines genereren almaar meer data. Door daar statistische modellen op los te laten, kunnen we de risico’s op een heel dynamische manier inschatten. Dat is geweldig vernieuwend.”
Bron: KU Leuven Stories