HINNO OOMS. Rhinno Rooms TECNOLOGÍAS QUE REVOLUCIONAN EL NEGOCIO EN 7 CASOS PRÁCTICOS (+1)

Transcripción

1 HINNO OOMS Rhinno Rooms TECNOLOGÍAS QUE REVOLUCIONAN EL NEGOCIO EN 7 CASOS PRÁCTICOS (+1)

2 Techedge en cifras Fundación Empleados Crecimiento (TCAC ) Oficinas ,700 30% 20 EMEA, NAFTA, LATAM Certificaciones Servicios Clientes Retención de clientes 1,300+ Soluciones de Negocio Servicios de IT 900+ ~100% 2

3 Qué nos hace únicos? Combinamos la escalabilidad y COBERTURA de un proveedor GLOBAL La dedicación y la AGILIDAD de un socio LOCAL La COMPETENCIA y ORIENTACIÓN de un asesor estratégico DE CONFIANZA Para ofrecer SOLUCIONES PREMIUM y de valor añadido a nuestros clientes 3

4 CTO Techedge Iberia & LATAM Fabio Cerioni Innovation Agent HINNO ROOMS

5 CAPÍTULO 1: TECNOLOGÍAS QUE REVOLUCIONAN LA FORMA DE HACER RODAR EL NEGOCIO

6 QUÉ PODEMOS CONSEGUIR? MEJORES PROCESOS MEJORES PRODUCTOS NUEVOS NEGOCIOS Reducción de Costes, Mantenimiento Predictivo, Control del Consumo de Energía, Robotización, Información de la Línea de Producción, Integración con los Planes de Producción, Explotar la Información, Anticiparse al Futuro. Cambiar la cara, mejorar las prestaciones, dotarles de individualidad. Acercar el producto a lo que necesita el cliente, analizar al consumidor. Crear nuevos productos o nuevas líneas de producción. Abrir nuevas líneas de negocio para la compañía, expandir el negocio, abrir mercado. Simular qué ocurriría antes de hacerlo. Vender algo más o algo diferente.

7 SLIDE 7 / 7 Casos REales CAS0 1 SECTOR OIL & GAS COMPAÑÍA PETROLERA TECNOLOGÍA IOT PROYECTO IOT Desbloqueo automático de surtidor desde el móvil COMPRAS Gasolina Tienda Mobile Payment PERSONALIZACIÓN Integración del programa de fidelización OBJETIVO Pago desde el móvil en gasolineras PAGOS Tarjetas Wallet Voucher

8 SECTOR OIL & GAS COMPAÑÍA PETROLERA TECNOLOGÍA IOT PROYECTO CAR SHARING El uso compartido del automóvil está cambiando el paradigma de la movilidad urbana al transformar el automóvil de un activo a un servicio La tecnología digital juega un papel clave para transformar el activo (el automóvil) en un servicio que garantiza agilidad y rapidez Ayudamos a crear la plataforma móvil más avanzada para administrar el registro y la operación sin papel

9 CÓMO ENCONTRAR EL CAMINO? CON 5 EJES TECNOLÓGICOS

10 SLIDE 10 INTERNET OF THINGS BLOCKCHAIN MACHINE LEARNING EXPERIENCE BIG DATA USER EXPERIENCE

11 CAPÍTULO 2: INTERNET OF THINGS Las claves

12 SLIDE 12 SECTOR AUTOMOCIÓN TECNOLOGÍA IOT Sensorizar Integrar Edge Gateways con máquinas de planta. Definir arquitectura Estandarizar la captura de señales. Automatización PM En función de las señales de la máquina, se automatizará la creación de la orden de mantenimiento. OBJETIVE Sensorizar, monitorear y Mejore la gestión de mantenimiento de las máquinas de planta de fabricación OEE Mantenimiento Predictivo Analizar indicadores de máquinas para configurar un mantenimiento predictivo utilizando la máquina Data Lake aplicando Tecnología Machine Learning. User Experience Facilitar la aplicación optimizada en cada área de trabajo: Línea de producción, administración backoffice.

13 / 7 Casos REales CAS0 4 SLIDE 13 SECTOR MANUFACTURING COMPAÑÍA ELECTRODOMÉSTICOS TECNOLOGÍA IOT DIGITAL TWIN De la lavadora COLLABORATIVE ROBOTS Robots Kuka reemplazan el trabajo humano en la línea de producción mediante destonilladores, almacenando información de todo el proceso ENERGY MANAGEMENT Dos Fases: Monitorización, Optimización Más de 500 sensores Benchmarking: Consumo por unidad producida Comparación de coste entre plantas e histórico

14 SLIDE 14 SECTOR SIDERURGIA TECNOLOGÍA IOT/PREDICTIVE Gestión del Patío Planificación optimizada de las entradas y salidas de mercancías en la planta de fabricación. Gestión de Camiones OBJETIVE A través de beacons y detectores de matrículas, ubique y guíe a los transportistas a través de la planta. Definición y construcción de una aplicación Yard Logistic para simplificar la carga y descarga de camiones en la Analítica & UX Proporcione información sobre el proceso en tiempo real e interacción con la mejor experiencia de usuario posible. planta. Integración Cloud Integrar ERP y equilibrar información y otros dispositivos físicos a través de una plataforma en la nube.

15 / Real Techedge References Confidencial Estación Digital Testeado con eventos por segundo DIGITAL T WIN Activos de la Estación Reglas basadas en Eventos para el envío de información al Data Lake P R E D I C T I V E M A I N T E N A N C E Análisis de los datos de mantenimiento para plantear un plan de actualización de activos basado en modelos predictivos ACTIVOS CONECTADOS Optimizar la eficiencia operacional y la toma de decisiones TRABAJADOR CONECTADO Mejorar la experiencia del trabajador en la ejecución de tareas PASAJERO CONECTADO Ofrecer servicios de valor añadido para una mejor experiencia de usuario

16 CAPÍTULO 3: MACHINE LEARNING Una Forma de Crear INTELIGENCIA ARTIFICIAL

17 SLIDE 17 SOFTWARE 1.0 Instrucciones explicitas para resolver un problema especifico. En cada línea de código el programador define el comportamiento deseado del programa *SOFTWARE 2.0 El comportamiento se define con el peso de las redes neurales. El programador especifica algunos vínculos. El conjunto de datos de input de entrenamiento ajusta los pesos de la red para que el programa se comporte como deseado EL EJE MACHINE LEARNING TIPOLOGÍAS DE PROBLEMAS: Reconocimiento de imágenes Reconocimiento Facial Análisis lenguaje Natural Reconocimiento Voz Detección de patrones anómalos Análisis correlación para predicción *Andrej Karpathy Director of AI at Tesla.

18 SLIDE 18 / 7 Casos REales CAS0 6 SECTOR SERVICIOS TECNOLOGÍA MACHINE LEARNING PROYECTO DNI SCAN OBJETIVO Identificación de DNI con individuo y lectura de información

19 SLIDE 19 OPENCV Uso de Librería OpenCV para detección de DNI y cara del sujeto MACHINE LEARNING FOUNDATION SOBRE SCP LAS PIEZAS Entrenamiento de modelo de machine learning en el reconocimiento de matching entre cara y foto del DNI OCR Sistema OCR basado en tesseract para la extracción de los datos del DNI

20 Q U É N E C E S I T A M O S E N E L S I G U I E N T E C A S O? C A M B I A R E L P R O C E S O D E T O M A D E D E C I S I O N E S : D E L A P E R C E P C I Ó N A L O S S I S T E M A S E X P E R T O S

21 CAS0 7 / 7 Casos Reales 21 SLIDE SECTOR ENERGIA FABRICACIÓN ACERO TECNOLOGÍA IOT & IA SENSORIZACIÓN MÁQUINAS & EDGE COMPUTING CREACIÓN DATA LAKES & DASHBOARDS INTEGRADOS CON SAP ERP ANALIZAR CONSUMO DE ENERGÍA OBJETIVO Sensorización & Gestión de Energía CALCULAR EL MEJOR ESCENARIO PARA PARADAS INESPERADAS SIMULAR LA ÓPTIMA PLANIFICACIÓN A CORTO Y LARGO PLAZO SOBRE UN ESCENARIO CONCRETO

22 CAPÍTULO 4: USER EXPERIENCE El valor de la confianza

23 SLIDE 23 / 7 Casos REales Bonus SECTOR SERVICIOS TECNOLOGÍA REALIDAD AUMENTADA PROYECTO Realidad aumentada para componentes eléctricos OBJETIVO Facilitar el diagnostico a los técnicos de campo e integración con PM

24 CAPÍTULO 5: PONERLO EN PRÁCTICA CÓMO SE EJECUTA EL PROYECTO

25 TIMELINE DEL PROCESO D E U N P R O Y E C T O R H I N N O FINISH POINT UN PROYECTO DE TRANSFORMACIÓN DIGITAL ENTENDER LO QUE QUIEREN STEP 1 Reuniones con el negocio para comprender QUÉ NECESITAN Escuchar

26 DISCUTIR LO QUE QUEREMOS Brainstorming / Design Thinking para plantear caminos convergentes STEP 2 Proponer {design thinking}. Solución STEP 3 IDEAR UNA SOLUCIÓN Elaborar una propuesta de solución que cubra sus expectativas y las mejore {agile}. ANALIZAR PRODUCTOS Y TECNOLOGÍAS Analizar qué piezas pueden formar parte de la solución y qué tecnologías la vertebran e incluso la mejoran STEP 4 Tecnología

27 STEP 5 COINNOVACIÓN Coinnovar Si la solución es replicable, plantear modelos de coinnovación/coinnversión PROOF OF CONCEPT STEP 6 Construir el Mínimo Producto Válido en forma de Prueba de Concept PoC FINISH POINT MVP DIGITAL {agile}. MVP Convertir la PoC en un Minimal Valuable Product escalable a toda la organización Destino alcanzado

28 CAPÍTULO 6: PLATAFORMA LA BASE TECNOLÓGICA DEL PROYECTO

29 SAP CLOUD PLATFORM Infrastructure Data & Storage User Experience Internet of Things Machine Learning Blockchain Integration Analytics COMPRAS ARIBA VIAJES CONCUR OPERADORES FIELDGLASS SALUD HEALTH ECOMMERCE HYBRIS RRHH SUCCESSFACTORS Runtimes & Containers Big Data Services Mobile Security Predictive Service Banking API API Management Analytics Cloud

30 CAPÍTULO 7: DESENLACE RHINNO ROOMS

31 NO HAY BEST PRACTICES EL ERROR ES PARTE DEL PROCESO SE NECESITAN EXPERTOS TODAS LAS EMPRESAS SON EMPRESAS DE TECNOLOGÍA EL CASO DA SENTIDO A LA TECNOLOGÍA EL MODELO ES CLOUD

32 NO HAY BEST PRACTICES EL ERROR ES PARTE DEL PROCESO SE NECESITAN EXPERTOS TODAS LAS EMPRESAS SON EMPRESAS DE TECNOLOGÍA EL CASO DA SENTIDO A LA TECNOLOGÍA EL MODELO ES CLOUD

33

34 P O D E M O S C O N V E R T I R E N R E A L I D A D C U A L Q U I E R I D E A