Advanced Analytics Transformasi Kualitas dan Garansi

Untuk mengubah kualitas dan garansi, perusahaan industri terkemuka menggabungkan alat tradisional dengan teknik "kecerdasan buatan"/ Artificial-Intelligence (AI) dan "pembelajaran mesin"/ Machine-Learning (ML) terbaru. Pendekatan gabungan memungkinkan produsen untuk mengurangi total biaya kualitas, memastikan bahwa produk mereka bekerja dengan baik, dan meningkatkan harapan pelanggan.

Dampak transformasi yang dirancang dengan baik dan dilaksanakan dengan ketat akan mengurangi biaya, sehingga akan meningkatkkan laba dan pendapatan. Tekanan pada biaya kualitas semakin meningkat karena integrasi perangkat lunak dan perangkat keras meningkatkan kompleksitas produk. 

Selain itu, ekspektasi pelanggan tentang fitur produk terus meningkat, dengan berita buruk tentang produk yang berkembang pesat di dunia yang sangat terhubung.

Namun meskipun tekanan meningkat, efektivitas pendekatan tradisional untuk memecahkan masalah kualitas (seperti analisis Pareto) menurun dengan beberapa alas an sebagai berikut:.

1. Masalah kualitas menjadi lebih kompleks. Produk saat ini memiliki lebih banyak elektronik, perangkat lunak, dan integrasi sistem yang kompleks. Akibatnya, keahlian dari berbagai disiplin ilmu diperlukan untuk mendiagnosis dan menyelesaikan masalah kualitas.
2. Jenis masalah kualitas telah berkembang biak. Jumlah yang lebih besar dari penyesuaian produk dan konfigurasi yang disesuaikan menyebabkan produk gagal dengan cara yang unik.
3. Kegagalan yang terputus-putus dan tak terduga menjadi lebih umum. Integrasi elektronik dan perangkat lunak yang meningkat telah membuat pola kegagalan baru sulit untuk diidentifikasi dan dianalisis.
4. Metode verifikasi dan validasi tradisional terlalu lambat. Perusahaan berada di bawah tekanan untuk pergi ke pasar lebih cepat, tetapi proses tradisional mereka tidak dapat mengimbangi.
5. Evolusi cepat dari Internet of Things (IoT) dan konektivitas membuat data yang kaya, baru, dan multifaset dalam jumlah besar tersedia. Kumpulan data sekarang tersedia untuk memecahkan masalah kualitas --- tetapi hanya sedikit tim kualitas yang memiliki alat yang tepat untuk mengakses, menganalisis, dan memanfaatkan informasi untuk menghasilkan wawasan yang nyata.

Mengingat kerumitan ini, solusi yang dikemas sebelumnya jarang berhasil. Selain itu, bahkan ketika solusi off-the-shelf terbukti efektif dalam konteks terbatas, perusahaan biasanya kesulitan untuk menskalakannya di seluruh lini produk --- dan mungkin menemukan bahwa utilitas mereka menurun dengan rilis produk yang berurutan.

Beberapa perusahaan sudah mulai memanfaatkan analitik canggih untuk menangkap nilai dalam bisnis mereka. Dalam satu contoh, produsen peralatan asli pertanian dengan jejak global untuk Litbang, manufaktur, dan penjualan telah mengalami peningkatan biaya garansi yang signifikan terkait dengan peluncuran produk baru. Hal itu juga menderita waktu tunggu yang lama untuk identifikasi masalah lapangan, serta variabel kematangan produk di seluruh merek dan wilayah.

Dalam empat bulan, perusahaan dapat menggunakan mesin analitik canggih yang menyediakan pembaruan harian dari sensor kualitas dan analisis statistik otomatis. Mesin analitik otomatis dan fungsi penghasil alarm didukung oleh indikator terkemuka, pengetahuan ahli, dan manajemen kinerja. 

Data besar yang dihasilkan dari ratusan ribu klaim garansi, lebih dari 5.000 bagian, dan beberapa tahun data lapangan dimasukkan ke server cloud setiap hari.

Perusahaan telah menggunakan alat dan kemampuan analitik canggih ini untuk mengurangi waktu untuk mengidentifikasi masalah bidang sistemik hingga hampir setengahnya, dan biaya garansi sekitar 15 persen. Perusahaan berencana untuk memperluas penerapan alat dan kapabilitasnya ke lebih dari tiga perempat portofolio produknya dalam beberapa tahun ke depan.

Dengan cara yang sama, pabrikan otomotif menggunakan analitik canggih untuk menyempurnakan seluruh perjalanan pengembangan produk, sekaligus meningkatkan kinerja saat pertama kali dan mengurangi biaya garansi. 

Dihadapkan dengan tingginya insiden pengerjaan ulang dan penundaan dalam pengembangan suku cadang, perusahaan mengalami sejumlah besar klaim garansi dan peningkatan biaya program.

Selama tiga bulan, perusahaan meluncurkan upaya komprehensif untuk mengidentifikasi semua potensi sumber penundaan dan merancang inisiatif yang ditargetkan untuk mengatasi setiap penyebab. 

Inisiatif ini termasuk menegakkan aturan yang lebih ketat untuk kepatuhan proses guna memfasilitasi build virtual (simulasi dan model yang merupakan versi virtual produk), secara sistematis memahami bagaimana perubahan di satu bagian memengaruhi bagian lain, dan membangun algoritme analisis lanjutan untuk menginformasikan pengembangan produk. 

Untuk melatih algoritme dan memahami interaksi, perusahaan menggunakan lebih dari tiga tahun data historis dari program pengembangan produknya, dilengkapi dengan banyak sumber data tambahan yang mencakup lebih dari 1.000 komponen individual. 

Penerapan analitik tingkat lanjut memungkinkan perusahaan untuk meningkatkan kinerja saat pertama kali untuk pengembangan suku cadang baru hingga lebih dari 80 persen.

Contoh-contoh di atas menunjukkan bagaimana perusahaan dapat menggunakan tuas Artificial Intelligence (AI) dan Machine Learning (ML) untuk membuka nilai yang signifikan dalam kualitas dan proses garansi. Kondisi tersebut juga menunjukkan bahwa perusahaan dapat meluncurkan inisiatif taktis dalam hitungan bulan. 

Meskipun mungkin perlu waktu beberapa tahun untuk perbaikan terkait garansi untuk meningkatkan dampak keuangannya, inisiatif ini menunjukkan bahwa bahkan manfaat jangka pendek dapat cukup menarik untuk membenarkan investasi dalam peningkatan yang didorong oleh AI dan ML.

Menerapkan AI dan ML untuk mengubah kualitas dan proses garansi membutuhkan pendekatan yang terstruktur, berdasarkan data, dan sistematis. Perusahaan dapat mengambil langkah-langkah untuk memulai transformasi kualitas ujung-ke-ujung penuh yang diinformasikan oleh pertimbangan garansi.

Menilai praktik saat ini pada kurva jatuh tempo garansi. Menentukan apakah organisasi secara efektif menerapkan dasar-dasar dasar (misalnya, dasbor digital, pelacakan tindakan, dan visibilitas data garansi), praktik terbaik industri (seperti paket perangkat lunak analitik canggih yang kuat), atau alat generasi berikutnya (AI/ML dan Model Bayesian, alur kerja digital, dan sistem pelacakan masalah kualitas).

Menilai dasar pembelanjaan garansi saat ini dan membandingkannya dengan tolok ukur, mencakup peninjauan model dan alat yang saat ini digunakan, total biaya kualitas dan pengeluaran klaim garansi, waktu siklus untuk analisis penyebab utama dan penyelesaian masalah, dan peluang untuk mengintegrasikan AI/ML ke dalam proses kualitas yang ada.

Menyesuaikan rencana implementasi taktis yang diperlukan untuk mencapai potensi penuh berdasarkan status perusahaan saat ini dan aspirasi untuk masa depan. Tetapkan tim dengan keahlian yang sesuai untuk menerapkan inisiatif. Meskipun perusahaan biasanya membutuhkan enam hingga 18 bulan untuk melaksanakan transformasi skala penuh dan mendorong nilai ke laba, dampak penghematan dapat dilihat dalam waktu tiga bulan.

Dengan menerapkan alat generasi berikutnya ini (Advanced Analytics) untuk melengkapi pendekatan kualitas dasar dan tradisional, perusahaan dapat membuka nilai yang signifikan, mengungguli secara finansial dibandingkan dengan perusahaan sejenis, dan membawa kinerja kualitas dan jaminan ke tingkat berikutnya, serta mendorong kepuasan pelanggan dalam jangka panjang.

Penulis,

Merza Gamal

Author of Change Management & Cultural Transformation

Former AVP Corporate Culture at Biggest Bank Syariah