Georgia-Pacific Mengoptimalkan Proses, Menghemat Jutaan Dolar Setiap Tahun Menggunakan AWS

Ratusan gulungan induk kertas dan tisu diproduksi setiap hari di fasilitas produksi Georgia-Pacific di seluruh Amerika Utara. Produksi kertas adalah operasi yang penuh hati-hati dan rumit, di mana sobekan atau patah dapat terjadi saat memproduksi gulungan induk, dan ketika mengubah gulungan induk besar menjadi produk mandi atau tisu yang siap digunakan konsumen. Jika sering sobek atau patah, maka dapat menyebabkan waktu henti mesin kertas dan jalur konversi yang merugikan jutaan dolar per tahun per jalur bagi Georgia-Pacific—jumlah yang cukup besar mengingat bahwa perusahaan memiliki lebih dari 150 jalur konversi. “Sangat penting bagi kami untuk mempertahankan waktu kerja mesin yang tinggi, dan kami hanya dapat melakukannya jika kami memiliki wawasan yang baik tentang mengapa gulungan cenderung pecah,” ujar Steve Bakalar, wakil presiden IT/transformasi digital perusahaan.

Namun demikian, mendapatkan wawasan yang berharga merupakan tantangan karena perusahaan mengandalkan sumber yang berbeda untuk mengumpulkan dan menganalisis data tentang kualitas bahan, kadar air, suhu, kalibrasi mesin, dan fitur lainnya. Selain itu, sebuah tim kecil yang terdiri dari beberapa ahli khusus lokasi memiliki pengetahuan tentang setiap keunikan mesin dan proses di lokasi. “Banyak dari para ahli ini yang akan segera pensiun—dan membawa serta pengetahuan mereka,” ujar Bakalar. Untuk mengatasi kebutuhannya atas wawasan data baru dan pengumpulan data yang tidak rumit, Georgia-Pacific berupaya untuk beralih ke pendekatan analitik lanjutan yang didukung danau data operasi. “Kami perlu meningkatkan kemampuan kami untuk melayani pasar melalui optimalisasi proses yang menyeluruh dan kesehatan aset yang lebih baik,” kata Bakalar. “Kami juga harus mencari cara untuk memprediksi kegagalan aset 60-90 hari sebelumnya karena kami ingin menghilangkan waktu henti yang tidak terencana yang dapat berdampak negatif pada pengoperasian dan menyebabkan hilangnya pendapatan.”

“Kami menggunakan teknologi analisis data AWS untuk memprediksi … seberapa cepat jalur konversi harus dijalankan lebih tepatnya guna menghindari sobek. Dengan mengurangi sobekan kertas, kami telah meningkatkan keuntungan jutaan dolar untuk satu lini produksi.”

Steve Bakalar, Wakil Presiden IT/Transformasi Digital, Georgia-Pacific

  • Tentang Georgia-Pacific
  • Georgia-Pacific, milik Koch Industries, merupakan perusahaan produk kayu, bubur kertas, dan kertas Amerika yang berlokasi di Atlanta, Georgia. Organisasi ini merupakan salah satu produsen dan distributor bubur kertas, kertas dan dispenser tisu dan handuk, pengemasan, serta produk bangunan gipsum dan kayu terbesar di dunia.

    Mengoptimalkan Produksi dan Optimalisasi Aset di Georgia-Pacific dengan AWS
  • Manfaat AWS
    • Meningkatkan keuntungan hingga jutaan dolar dengan mengoptimalkan proses
    • Memprediksi kegagalan peralatan 60-90 hari sebelumnya, mengurangi waktu henti yang tidak terencana
    • Menjalankan lebih banyak lini produksi dengan cara yang dapat diprediksi, mengoptimalkan sumber daya manusia dan modal yang lebih baik
    • Memproduksi berbagai produk berkualitas tertinggi dengan kemungkinan laju tercepat
  • Layanan AWS yang Digunakan

Membuat Solusi Analitik Lanjutan Berbasis Cloud

Untuk mencapai sasaran ini, Georgia-Pacific memilih untuk membuat solusi analitik baru berbasis Cloud Amazon Web Services (AWS). “Kami sedang dalam proses melakukan migrasi beberapa sistem internal ke AWS dan menutup beberapa pusat data,” ujar Bakalar. “Kami tahu AWS dapat mendukung persyaratan analitik data kami.” Dalam enam bulan pertama, Georgia-Pacific mengirim sekitar 50 TB data produksi—lebih dari 500 miliar catatan—dari ratusan mesin proses manufaktur dan konversi yang rumit. Perusahaan menggunakan Amazon Kinesis untuk melakukan stream data waktu nyata dari peralatan manufaktur ke danau data pusat yang berbasis di Amazon Simple Storage Service (Amazon S3), sehingga memungkinkannya menyerap dan menganalisis data yang terstruktur dan tidak terstruktur secara efisien.

Georgia-Pacific tahu hal tersebut dapat dipelajari dari data terstruktur dan tidak terstrukturnya, tetapi perusahaan tidak memiliki mekanisme penyimpanan yang hemat biaya untuk menyerap, mengubah, menampung, dan menganalisis data ini.  

Georgia-Pacific menggunakan Amazon Elastic MapReduce (Amazon EMR) untuk mengubah data sebelum mengirimkannya dalam cara terstruktur ke analis data melalui Amazon Redshift. Analis menggunakan Amazon Athena selain Amazon S3 untuk membuat kueri data mentah, yang meliputi informasi mekanisme produksi bubur kertas, mesin kertas, jalur konversi, tren vibrasi, throughput, dan kualitas kertas.

Georgia-Pacific juga menggunakan Amazon SageMaker, sebuah solusi pembelajaran mesin (ML) AWS, untuk membangun, melatih, dan menerapkan model ML. Dengan menggunakan model ML yang dibangun dengan data produksi mentah, Amazon SageMaker memberikan umpan balik waktu nyata kepada operator mesin mengenai kecepatan mesin yang optimal dan variabel lainnya yang dapat disesuaikan, sehingga operator yang kurang pengalaman dapat mendeteksi patah lebih awal dan mempertahankan kualitas.

Meningkatkan Keuntungan hingga Jutaan Dolar dengan Mengoptimalkan Proses-Proses Penting

Dengan menggunakan solusi analitik lanjutannya yang berbasis AWS, Georgia-Pacific mengoptimalkan berbagai proses produksi utama dalam banyak fasilitasnya. Misalnya, untuk satu jalur konversi, perusahaan mengatasi 40 persen sobek gulungan induk selama proses konversi. “Kami menggunakan teknologi analisis data AWS untuk memprediksi—berdasarkan kualitas gulungan kertas induk—seberapa cepat jalur konversi harus dijalankan lebih tepatnya guna menghindari sobek,” ujar Bakalar. "Dengan mengurangi sobekan kertas, kami telah meningkatkan keuntungan jutaan dolar untuk satu lini produksi. Ada 150 lini yang dapat memanfaatkan proses yang dioptimalkan ini, jadi ini adalah peluang multijuta dolar bagi kami.”

Di salah satu fasilitas Oriented Strand Board (OSB) Georgia-Pacific, organisasi ini telah mengalami 30 persen pengurangan limbah yang terkait dengan proses penyerpihan dan jutaan dolar dalam peningkatan keuntungan tahunan.

Selain itu, di pabrik kertas besar, Georgia-Pasifik telah mengoptimalkan proses pemulihan kimia yang dapat didaur ulang yang digunakan dalam pembuatan bubur kertas. “Kami telah dapat mengurangi penggunaan bahan kimia, dan itu membantu kami menggunakan sumber daya yang lebih sedikit sembari meningkatkan keseluruhan hasil produksi,” ujar Bakalar.

Kesuksesan ini sedang ditingkatkan dengan cepat di jaringan fasilitas serupa.

Untuk aset yang dipilih, Georgia-Pacific kini dapat memprediksi kegagalan peralatan 60-90 hari sebelumnya, sehingga dapat mengurangi waktu henti yang tidak terencana. “Kami memiliki data terbaru yang lebih baik tentang kinerja mesin di seluruh fasilitas kami,” ujar Bakalar. “Ini berarti, kami dapat merencanakan waktu henti peralatan, yang meningkatkan pemanfaatan aset dan keselamatan pabrik kertas, serta membantu kami menghindari hilangnya pendapatan dari penghentian produksi yang tidak terjadwal.”

Memaksimalkan Sumber Daya Pabrik

Selain manfaat operasinya, Georgia-Pacific mengurangi ketergantungannya pada sejumlah ahli atas pengetahuan tentang peralatan dan proses manufaktur. Alih-alih, perusahaan membentuk Pusat Dukungan dan Kolaborasi, yang menambahkan para ahli permasalahan khusus di lokasi dengan dukungan terpusat yang memajukan pengambilan keputusan yang didukung teknologi. 

“AWS memungkinkan kami untuk mencari, menyimpan, memperkaya, dan mengirimkan data secara terpusat, yang tidak dapat kami lakukan sebelumnya,” kata Bakalar. “Dengan model baru ini, kami yakin bahwa kami dapat menjalankan lebih banyak lini produksi dengan cara yang lebih dapat diprediksi. Hasilnya, kami dapat memanfaatkan kumpulan bakat kami lebih jauh secara efisien di seluruh organisasi mereka. Dengan menggunakan AWS, kami dapat memastikan produk dengan kualitas terbaik dijalankan pada kemungkinan laju tercepat, sehingga kami dapat melayani pelanggan dengan baik.”

Kisah Pelanggan Manufaktur Lainnya

tidak ada item yang ditemukan 

1

Pelajari Selengkapnya

Pelajari selengkapnya tentang big data.