Business Intelligence-system til planter

Systemet, der kan tilpasses, integrerer alle data om produktionsprocessen i en brugervenlig webapplikation, hvilket gør omkostningsanalyse og planlægning af forskellige scenarier meget nemmere.

Kunde

Industri

Business Intelligence

Region

Schweiz

Kunde siden

2021

Kunden leverer komplekse ERP-systemer til store virksomheder samt revisions- og konsulentydelser til produktionsvirksomheder og hjælper dem med at optimere deres arbejde og regnskaber.

Detaljerede oplysninger om klienten kan ikke videregives i henhold til bestemmelserne i NDA.

Udfordring

Kundens analytikere plejede at beregne alle omkostninger og udgifter for forskellige fabrikker i besværlige Excel-regneark. Jo flere data der var i tabellerne, jo langsommere arbejdede programmet. Hvis det var nødvendigt at tilføje kolonner til tabellen (f.eks. med nye komponenter), skulle brugerne desuden ændre formler i cellerne manuelt. Det bremsede den analytiske proces og forårsagede nogle menneskelige fejl.

For at strømline arbejdet og øge effektiviteten kom kunden med en idé om at integrere et ekstra modul i det eksisterende ERP-system med detaljerede produktionsanalyser og -prognoser. Modulet skal nemt kunne tilpasses enhver fabrik og produktionsproces, så brugerne blot skal tilføje de nødvendige data om maskiner, materialer, komponenter og personale, mens alle beregninger er forudbestemt og foregår i backend.

Løsning

Vores team udviklede en ny del til en eksisterende ERP-platform fra bunden, som dækker produktionsstrukturen, forholdet mellem dens komponenter, omkostningsberegning og simulering.

Webapplikation

PLAN FOR ANLÆGSSTRUKTUR

Brugere kan opbygge en brugerdefineret model af deres fabrik og tilføje niveau for niveau - værksteder, udstyr og moduler. Skemaet hjælper analytikere med at forstå modellen af en fabrik bedre og gør det muligt at lave referencer på et øjeblik.

Ved at klikke på elementerne på det laveste niveau i skemaet åbner brugerne et afsnit med akkumuleret information om hver produktionsenhed: sider med en generel oversigt over arbejde og output, fremstillede og defekte produkter, anvendte materialer, tab og arbejdskraft. Det er muligt at indstille KPI'er med forskellige parametre (output, skrot osv.) for hver maskine og bruge diagrammer til at spore ændringer i absolutte og relative termer. Analytikere kan tjekke hver maskines effektivitet: Hvor mange produkter blev fremstillet, med hvilken hastighed og med hvor mange ressourcer og tab.

OMKOSTNINGSMODUL

Denne del af løsningen repræsenterer et dashboard med en oversigt over produktionsomkostningerne i en valgt tidsperiode. Det giver akkumulerede data om output, samlede omkostninger, omkostninger pr. produceret enhed osv. Brugerne kan også sammenligne data med en referenceperiode for at spore ændringer over tid. En lille P&L-tabel giver flere oplysninger om brugte omkostninger pr. element (arbejdskraft, råmaterialer, energi, afskrivninger osv.) i forhold til det tildelte budget og procentdelen af tab. For overskuelighedens skyld præsenteres alle omkostningskategorier også i en graf. Denne oversigt giver brugerne mulighed for hurtigt at forstå vægten af hver kategori i de samlede produktionsomkostninger og identificere problemområder med henblik på optimering.

For at få flere detaljer om omkostningsstrukturen kan brugerne dykke ned i de oplysninger, der præsenteres i store P&L-regneark, som er en anden del af omkostningsmodulet. De indeholder flere parametre for hver P&L-komponent og giver brugerne mulighed for at beregne, hvordan produktionsomkostningerne afhænger af produktionsvolumen, prisændringer over år og tab.

INTUITIV BRUGERGRÆNSEFLADE

Regnearksgrænsefladen er særlig nem at bruge: Hver række har nogle få knapper til at redigere data, tilføje en ny indlejret række og gentage og slette den samme række. Alle formler og komplicerede beregninger med mange indbyrdes forbundne parametre er "skjult" i backend, så almindelige brugere uden administratorrettigheder ikke ved et uheld kommer til at ændre eller ødelægge dem. Dataene kan importeres fra andre tabeller (f.eks. CSV, XML-regneark), hvilket sparer brugerne for en masse tid og minimerer det manuelle arbejde.

Regnearkskonfigurationen indeholder allerede en liste over generelle elementer, som er fælles for forskellige typer anlæg - direkte og indirekte arbejdskraft, råmaterialer, emballage, energi, vedligeholdelse, kvalitetskontrol, driftsudgifter osv. Derfor behøver brugerne kun at vælge de nødvendige elementer i indstillingerne og tilpasse dem til deres egne behov: De kan ændre navne, hvis det er nødvendigt, indsætte ekstra linjer med komponenter og tilføje faktiske omkostninger og priser.

SIMULATIONSMODUL

Den næste del af omkostningsmodulet gør det muligt at simulere top-down- og bottom-up-scenarier. Analytikere kan sætte reduktionsmål (f.eks. for omkostninger, tab) og få estimater af omkostningsoptimering for hvert år. Dette hjælper med at finde den perfekte kombination af alle parametre, så produktionsvirksomheder kan minimere omkostningerne med samme kvalitet og øge deres EBITDA.

Når et scenarie er godkendt, bruges det som benchmark til at spore den aktuelle effektivitet i produktionen. På den måde kan analytikerne opdage alvorlige fejl i effektiviteten og timingen og anbefale, at der træffes korrigerende foranstaltninger.

Teknologier og værktøjer

Back-end

.NET 5SQL (MS SQL Server), Swagger, CQRS, TensorFlow.js

Front-end

Angular 11, RxJs, NgRx, Bootstrap 4.6, Material, ngx-datatable, D3.js,

Platforme

Web

Ngx-datatable blev valgt til at håndtere komplekse datasæt i regneark. Den har alle funktioner til at arbejde med tabeller, men er meget fleksibel og let. D3.js blev brugt til at skabe responsive diagramkomponenter baseret på dynamiske data. Datavisualisering gør det således muligt for brugerne at analysere og drage konklusioner meget hurtigere.

Proces

Kunden havde en klar vision om, hvordan det ideelle analysemodul skulle se ud, så vi fik lavet mock-ups af grænsefladen og formler til beregning af produktionsomkostningerne. Vi løste problemerne med alt det andet - softwarearkitektur, valg af de bedst egnede teknologier og rammer til fejlfri drift, frontend- og backend-udvikling. Takket være et tæt samarbejde mellem vores forretningsanalytiker med en stærk finansiel baggrund og kundens analytikere lykkedes det os sammen at omdanne den komplekse logik med indbyrdes relationer mellem alle parametre til et effektivt system med beregninger på backend-siden og illustrative diagrammer og tabeller på brugergrænsefladen.

Opdagelsesfasen

I denne fase undersøgte vores team kundens eksisterende ERP-platform, dykkede dybt ned i forretningsprocesserne, udforskede alternativer og fandt frem til den bedst mulige teknologiske løsning. Vi designede en model, der skitserer forretningsenhederne i systemet og deres relationer, lavede en detaljeret plan for udviklingen af hvert modul og blev enige med kunden om workflowet.

Valg af teknologi

I henhold til kravene anbefalede vi de teknologier, der passede perfekt til kundens behov. Ngx-datatable blev valgt til at håndtere komplekse datasæt i form af regneark. Den indeholder alle funktioner til at arbejde med en tabel (sortere, filtrere, tilføje underrækker osv.) og er meget fleksibel og let. D3.js blev brugt til datavisualiseringer og til at skabe responsive diagramkomponenter baseret på dynamiske data. På den måde blev oplysningerne præsenteret på en nem og illustrativ måde, som gjorde det muligt for brugerne at forstå dem og drage konklusioner meget hurtigere. Til maskinlæring valgte vi TensorFlow.js på grund af dens høje skalerbarhed og muligheden for at bruge dens evner på forskellige enheder, hvis det er nødvendigt.

Maskinlæring

For at gøre dataanalysen hurtigere og mere effektiv har vi implementeret et modul med maskinlæringsalgoritmer. Det definerer mønstrene for ændringer i fabrikkernes arbejdsparametre og vurderer deres effektivitet. Algoritmerne modtager automatisk data fra ERP-systemet og lærer, hvilke måder der var de mest effektive til at opnå de KPI'er, der er sat for hvert anlæg, værksted eller endda maskine. Det gør det muligt for modulet at finde tendenser og mønstre, som ikke er så nemme at se, men som kan bruges effektivt til omkostningsoptimering. Vi valgte TensorFlow.js på grund af dets høje skalerbarhed og muligheden for at bruge dets evner på forskellige enheder i fremtiden, hvis det er nødvendigt.

Sikkerhed

Machine Learning-modulet arbejder inden for producentens grænser og mærker eller gemmer ikke data om nogen afdeling, fabrik, værksted eller maskine. Kun statistiske data analyseres af ML-algoritmerne. Det betyder, at dette modul er sikkert og ikke kan give en potentiel ubuden gæst eller insider vigtige oplysninger om kundens produktion og varer.

MVP-udvikling

Efter at have aftalt work breakdown-strukturen med kunden, gik vi i gang med at udvikle MVP'en.

Vi leverede modul for modul hver anden uge, diskuterede opgaver i Slack og havde ugentlige videokonferencer i Google Meets.

Hver udviklingsfase blev afsluttet med enhedstest og manuel test, så vi kunne opdage og rette selv de mindste fejl på det tidligst mulige tidspunkt og forhindre dem i at blive til problemer.

MVP-udvikling

Efter at have aftalt work breakdown-strukturen med kunden, gik vi i gang med at udvikle MVP'en.

Vi leverede modul for modul hver anden uge, diskuterede opgaver i Slack og holdt styr på opgaverne i Jira.

Hver udviklingsfase blev afsluttet med enhedstest og manuel test, så vi kunne opdage og rette selv de mindste fejl på det tidligst mulige tidspunkt og forhindre dem i at blive til store problemer.

Hold

Backend-udviklere

Frontend-udviklere

QA Engineer

Forretningsanalytikere

Resultater

Da systemet fra starten blev designet til at være så brugervenligt som muligt, tog det kun en time at uddanne medarbejdere, der arbejdede i et nyt modul. Resultaterne blev synlige inden for en uge efter implementeringen: Udarbejdelsen af rapporter blev tre gange hurtigere end før, og brugerne fik mere tid til nærmere undersøgelse af data og simulering af scenarier. Dette gjorde det muligt for analytikerne at komme med et mere kalibreret sæt resultater og anbefalinger for hver fabrik inden for en kortere periode, hvilket forbedrede forretningsværdien og øgede kundeloyaliteten.

Desuden har vores team formået at holde hele ERP-systemet lige så sikkert, som det var, før der blev foretaget ændringer, takket være maskinlæringsalgoritmerne, der ikke interagerer med nogen vitale data, men kun analyserer mønstre og tendenser, der kommer ud af bestemte beslutninger og handlinger.

Projektets varighed

4 måneder for MVP;
9 måneder for hele projektet (inklusive 2 måneders test af brugeraccept).

Relaterede sager

Kontakt os

Book et opkald eller udfyld formularen nedenfor, så vender vi tilbage til dig, når vi har behandlet din anmodning.

Navn

Virksomhed

E-mail

Telefon

Besked

Send os en talebesked

Vedhæft dokumenter

Upload fil

Du kan vedhæfte 1 fil på op til 2 MB. Gyldige filformater: pdf, jpg, jpeg, png.

Ved at klikke på Send accepterer du, at Innowise behandler dine personlige data i henhold til vores Politik for beskyttelse af personlige oplysninger for at give dig relevante oplysninger. Ved at indsende dit telefonnummer accepterer du, at vi kan kontakte dig via taleopkald, sms og beskedapps. Opkalds-, besked- og datatakster kan være gældende.

Du kan også sende os din anmodning
til contact@innowise.com

Hvad sker der nu?

Når vi har modtaget og behandlet din anmodning, vender vi tilbage til dig for at beskrive dine projektbehov og underskriver en NDA for at sikre fortrolighed.

Når vi har undersøgt dine ønsker, behov og forventninger, udarbejder vores team et projektforslag med forslag med arbejdets omfang, teamstørrelse, tids- og omkostningsoverslag.

Vi arrangerer et møde med dig for at diskutere tilbuddet og få detaljerne på plads.

Til sidst underskriver vi en kontrakt og begynder at arbejde på dit projekt med det samme.

Business Intelligence-system til planter

Kunde

Udfordring

Løsning

Vores team udviklede en ny del til en eksisterende ERP-platform fra bunden, som dækker produktionsstrukturen, forholdet mellem dens komponenter, omkostningsberegning og simulering.

Webapplikation

Teknologier og værktøjer

Proces

Hold

Resultater

Relaterede sager

Kontakt os

Hvad sker der nu?

Brug for andre tjenester?

Abonner til vores nyhedsbrev

Abonner
til vores nyhedsbrev