Pattern of Big Data Application for Development to Smart Factory

Authors

  • Chinnaphat Ingkapradit Silpakorn University
  • Sirichai Deelers

Keywords:

Big Data, Smart Factory, Industrial 4.0, Development, Success Factor

Abstract

An objective of this research is to study big data applications, results and success factors from manufacturers that being developed to smart factory in Thailand.  This is qualitative research with case study research method.  The key informants are 4-manufacturers that applied big data.  The finding reveals 7 categories of big data application such as process monitoring, parameter optimization, quality improvement, predictive maintenance, material tracking, energy management and employee tracking.  Big data results in improvement of performance matric in 3-categories: cost such as overall equipment efficiency, loss reduction and energy efficiency, quality such as defect rate and customer complaint and time for on-time delivery rate.  Success factors of big data are organization-oriented factor, system-oriented factor, resource-oriented factor and data-oriented factor which big data development is focused on bottleneck processes that required to improve their performance.

Downloads

Download data is not yet available.

References

คณะกรรมการอุตสาหกรรม 4.0. (2559) การยกระดับอุตสาหกรรมไทยสู่อุตสาหกรรม 4.0 (Industry 4.0). สืบค้นเมื่อ 25 กรกฎาคม 2562, จาก สภาเกษตรกรแห่งชาติ เว็บไซต์: http://www.nfcrbr.or.th

ชุติกา เกียรติเรืองไกร, พรชนก เทพขาม, & วัชรินทร์ ชินวรวัฒนา. (2563). 10 ปีอุตสาหกรรมไทย เรามาไกลแค่ไหน. FOCUSED AND QUICK (FAQ), 13(165), 1-12.

บัญชา ธนบุญสมบัติ. (2560). อุตสาหกรรม 4.0. วารสารเทคโนโลยีวัสดุ, 23(84), 23-34

วิชาญ ทรายอ่อน. (2559). ประเทศไทย 4.0. Academic Focus, 3(37), 1-13.

สถาบันไทย-เยอรมัน. (2562). คู่มือการพัฒนาโรงงานอุตสาหกรรมสู่ความเป็นโรงงานอัจฉริยะ (Smart Factory). กรุงเทพฯ:TGI Thai-German Institute.

สุพันธุ์ มงคลสุธี. (2561). ก้าวสู่ ‘Industry 4.0’ อย่างไรในวันที่อุตสาหกรรมไทยยังแค่ 2.0. สืบค้นเมื่อ 20 ตุลาคม 2562, จาก The Bangkok Insight เว็บไซต์: https://www.thebangkokinsight.com/

สุรัชพงศ์ สิกขาบัณฑิต. (2560). นโยบายประเทศไทย ๔.๐ : โอกาส อุปสรรค และผลประโยชน์ของไทยในภูมิภาคอาเซียน. สืบค้นเมื่อ 25 กรกฎาคม 2562, จาก รัฐสภาไทย เว็บไซต์: www.parliament.go.th

สำนักงานที่ปรึกษาด้านอุตสาหกรรม (2558). Industry 4.0 (The Fourth industrial Revolution). สืบค้นเมื่อ 7 ตุลาคม 2562, จาก กระทรวงอุตสาหกรรม เว็บไซต์: www.industry.go.th

สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ. (2558). อุตสาหกรรม 4.0 แนวทางของอุตสาหกรรมแห่งอนาคต. สืบค้นเมื่อ 9 ตุลาคม 2562, จาก นานาสาระน่ารู้ เว็บไซต์: www.nstda.or.th

Alkahtani, M., Choudhary, A., De, A., & Harding, J. (2019). A Decision Support System based on Ontology and Data mining to Improve Design using Warranty Data. Computers & Industrial Engineering, 128, 1027-1039.

Auschitzky, E., Hammer, M., & Rajagopaul, A. (2014). How big data can improve manufacturing. McKinsey Quarterly Magazine, 50, 1-4.

Dhawan, R., Singh, K., & Tuteja, A. (2014). When big data goes lean. McKinsey Quarterly Magazine, 50, 1-5.

Gunasekaran, A., Yusuf, Y., Adeleye, E. O., & Papadopoulos, T. (2017). Agile Manufacturing Practices - The Role of Big Data and Business Analytics with Multiple Case Studies. International Journal of Production Research, 56, 385-397.

Haseeb, M., Hussain, H., Slusarczyk, B., & Jermsittiparsert, K. (2019). Industry 4.0: A Solution towards Technology Challenges of Sustainable Business Performance. MDPI Social Sciences, 16, 1-24.

Kozjek, D., Vrabič, R., Rihtaršič, B., & Butal, P. (2018). Big data analytics for operations management in engineer-to-order manufacturing. Procedia CIRP, 72, 209-214.

Kumar, A., Chinnam, R., & Tseng, F. (2019). An HMM and Polynomial Regression Based Approach for Remaining Useful Life and Health State Estimation of Cutting Tools. Computers & Industrial Engineering, 128, 1008-1014.

Lamba, K., Singh, S., & Mishra, N. (2019). Integrated Decisions for Supplier Selection and Lot-Sizing Considering Different Carbon Emission Regulations in Big Data Environment. Computers & Industrial Engineering, 128, 1052-1062.

Moktadira, A., Alib, S., Paul, S., & Shuklad, N. (2019). Barriers to big data analytics in manufacturing supply chains: A case study from Bangladesh. Computers & Industrial Engineering, 128, 1027-1039.

Mourtzis, D., Vlachou E., & Milas, N. (2016). Industrial Big Data as a result of IoT adoption in Manufacturing. Procedia CIRP, 55, 290 – 295.

Narasimhan, R., & Bhuvaneshwari, T. (2014). Big Data – A Brief Study. International Journal of Scientific & Engineering Research, 5 (90), 1-2.

Neely, A., Gregory, M., & Platts, K. (2005). Performance measurement system design: A literature review and research agenda. International Journal of Operations & Production Management, 25(12), 1228-1263.

Stock, T., & Seliger, G. (2016). Opportunities of Sustainable Manufacturing in Industry 4.0. Procedia CIRP, 40, 536–41.

Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2018). Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157–169.

Waller, M. A., & Fawcett, S. E. (2013). Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply Chain Design and Management. Journal of Business Logistics, 34, 77–84

Wantao, Y., Chavez, R., Jacobs, M. A., & Feng, M. (2018). Data-driven supply chain capabilities and performance: A resource-based view. Transportation Research, 114, 371–385.

Yu-Chien K., & Fujita, H. (2019). An evidential analytics for buried information in big data samples: Case study of semiconductor manufacturing. Information Sciences, 486, 190-203.

Published

2021-12-25

How to Cite

Ingkapradit ช. ., & Deelers ส. . (2021). Pattern of Big Data Application for Development to Smart Factory. Business Review Journal, 13(2), 197–217. Retrieved from https://so01.tci-thaijo.org/index.php/bahcuojs/article/view/243624

Issue

Section

Research Articles