導入例1. 世界最大級の石油プラント
- 問題
- 膨大な情報をどう統一化して有効活用するか。
- 解決
- デジタルシフトの徹底、クラウド化。
データやメタデータの接続性、世界40か国のデータを同期。データの可視化、整理、分析。
導入例2. 北米の電力会社
- 問題
- 異なる製造元の風力発電機 23,000台の管理。
10分毎に3,000のデータポイント。（年間500億データ以上）
- 解決
- クラウドベースのデータ管理、分析。
導入例3. 紡績工場
- 問題
- 旧式データ収集や人為的ミスによる製造問題。
- 解決
- Connector、Fusion、Lenses、Tracker™ Trackers™：装置の動作不良とその理由の追跡。
導入例4. 物流（鉄道）
- 問題
- 故障後の対応の為、費用や予定に大きく影響。
- 解決
- データの規格化、内容の統一化による管理 ASL Explorer™：収集したデータを基にメンテナンスの先行手配。 小さなメンテナンスで大きな故障を未然に防ぐ。
導入例5. 原子力発電所
- 問題
- 予算・予定以上のメンテナンス費用が必要な状況の改善。
- 解決
- 600以上のデータの傾向を分析。 安全性と信頼性を維持し効果的代替え案を提案。 労働時間 1,660時間 短縮。 材料費 $187,000（約2000万円）節約。 発電ロス $313,000（約3,500万円）節約。
導入例6. 物流（トラック）
- 問題
- 環境問題の観点から、ディーゼルから圧縮天然ガスへ 新たな技術への対応と、予期せぬ費用の増加。
- 解決
- UptakeのDigital Industry Libraryよりモデルを適応 既存データをモデルで分析し、9割以上の格率でエンジントラブルを予測し修理を予定しダウンタイム軽減 初期4か月中に、モデルを適応し80台の約1億円の節約。
導入例7. 物流（トラック）
- 問題
- 深刻な物流量増加に反してドライバーと修理工不足 諸流する1,000台のトラックのメンテ戦略 修理平均金額$1,200/日、追加ドライバー費用$8,000/日。
- 解決
- 現行の車両データと過去の作業内容で故障の予想 全米で稼働する全車から29台の故障が予測され実際に故障した過去データとの比較で早期故障対策により1台 $3,387/年の節約。