Business Intelligence System for planter

Det tilpassbare systemet integrerer alle data om produksjonsprosessen i en brukervennlig webapplikasjon, noe som gjør kostnadsanalyse og planlegging av ulike scenarier mye enklere.

Kunde

Industri

Forretningsinformasjon

Region

Sveits

Kunde siden

2021

Kunden tilbyr komplekse ERP-systemer for store bedrifter, samt revisjons- og konsulenttjenester for produksjonsbedrifter, og hjelper dem med å optimalisere arbeidet og regnskapene.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring

Analytikere av klienten pleide å beregne alle kostnadene og utgiftene til forskjellige fabrikker i tungvint Excel-regneark. Jo flere data som var i tabellene, jo tregere fungerte programmet. Hvis det var nødvendig å legge til kolonner i tabellen (f.eks. med nye komponenter), måtte brukerne dessuten endre formlene i cellene manuelt. Dette bremset analyseprosessen og forårsaket noen menneskelige feil.

For å effektivisere arbeidet og øke effektiviteten kom kunden opp med en idé om å integrere en tilleggsmodul i det eksisterende ERP-systemet, med detaljerte produksjonsanalyser og prognoser. Modulen skal være enkel å tilpasse til enhver fabrikk og produksjonsprosess, slik at brukerne bare legger til nødvendige data om maskiner, materialer, komponenter og ansatte, mens alle beregningene er forhåndsbestemt og fortsetter i backend.

Løsning

Teamet vårt utviklet en ny del for en eksisterende ERP-plattform fra bunnen av, som dekker produksjonsstrukturen, sammenhenger mellom komponentene, kostnadsberegning og simulering.

Nettapplikasjon

PLAN FOR ANLEGGSSTRUKTUR

Brukerne kan bygge en tilpasset modell av fabrikken sin ved å legge til nivå for nivå - verksteder, utstyr og moduler. Ordningen hjelper analytikere med å forstå modellen av en fabrikk bedre og gjør det mulig å lage referanser på et øyeblikk.

Ved å klikke på elementene på det laveste nivået i skjemaet, åpner brukerne en seksjon med akkumulert informasjon om hver produksjonsenhet: sider med en generell oversikt over arbeid og produksjon, produserte og defekte produkter, materialer som brukes, tap og arbeidskraft. Det er mulig å angi KPI-er med forskjellige parametere (produksjon, skrap osv.) For hver maskin og bruke diagrammer for å spore endringer i absolutte og relative termer. Analytikere kan sjekke effektiviteten til hver maskin: hvor mange produkter som ble produsert, i hvilken hastighet og med hvor mange ressurser og tap.

KOSTNADSMODUL

Denne delen av løsningen representerer et dashbord med et sammendrag av produksjonskostnadene for en valgt tidsperiode. Det gir akkumulerte data om produksjon, totale kostnader, kostnader per produsert enhet osv. Brukerne kan også sammenligne data med en referanseperiode for å spore endringer over tid. En liten resultatregnskapstabell gir mer informasjon om brukte kostnader per element (arbeidskraft, råvarer, energi, avskrivninger osv.) i forhold til det tildelte budsjettet og prosentandelen av tap. For klarhetens skyld presenteres også alle kostnadskategoriene i en graf. Denne oversikten gjør det mulig for brukerne å forstå vekten av hver kategori i de totale produksjonskostnadene og identifisere problemområder for optimalisering.

For å få flere detaljer om kostnadsstrukturen kan brukerne dykke ned i informasjonen som presenteres i store resultatregnskapsark, som er en annen del av kostnadsmodulen. De inneholder flere parametere for hver resultatkomponent og lar brukerne beregne hvordan produksjonskostnadene avhenger av produksjonsvolum, prisendringer over år og tap.

INTUITIVT BRUKERGRENSESNITT

Regnearkgrensesnittet er spesielt enkelt å bruke: hver rad har noen få knapper for å redigere data, legge til en ny nestet rad og gjenta og slette samme rad. Alle formler og kompliserte beregninger med mange sammenhengende parametere er "skjult" i backend, slik at vanlige brukere uten administratorrettigheter ikke vil endre eller ødelegge dem ved et uhell. Dataene kan importeres fra andre tabeller (f.eks. CSV, XML-regneark), noe som sparer brukerne for mye tid og minimerer manuelt arbeid.

Regnearkkonfigurasjonen inneholder allerede en liste over generelle elementer som er vanlige for ulike typer anlegg - direkte og indirekte arbeidskraft, råvarer, emballasje, energi, vedlikehold, kvalitetskontroll, driftskostnader osv. Derfor trenger brukerne bare å velge nødvendige elementer i innstillingene og tilpasse dem til sine egne behov: de kan endre navn om nødvendig, sette inn flere linjer med komponenter og legge til faktiske kostnader og priser.

SIMULERINGSMODUL

Den neste delen av kostnadsmodulen gjør det mulig å simulere ovenfra-og-ned- og nedenfra-og-opp-scenarier. Analytikere kan sette reduksjonsmål (f.eks. etter kostnader, tap) og få estimater av kostnadsoptimalisering per år. Dette bidrar til å finne den perfekte kombinasjonen av alle parametere, slik at produksjonsselskaper kan minimere kostnadene med samme kvalitet og øke EBITDA.

Når et scenario er godkjent, brukes det som et referansepunkt for å spore den nåværende effektiviteten i produksjonen. Dermed kan analytikere oppdage alvorlige feil i effektiviteten og timingen og anbefale korrigerende tiltak.

Teknologier og verktøy

Backend

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

Frontend

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

Plattformer

Web

Ngx-datatable ble valgt for å håndtere komplekse datasett i regneark. Det har alle funksjoner for å arbeide med tabeller, men er veldig fleksibelt og lett. D3.js ble brukt til å lage responsive diagramkomponenter basert på dynamiske data. Dermed gjør datavisualisering det mulig for brukerne å analysere og trekke konklusjoner mye raskere.

Prosess

Kunden hadde en klar visjon om hvordan den ideelle analysemodulen skulle se ut, så vi fikk modeller av grensesnittet og formler for å beregne produksjonskostnadene. Vi løste problemene med alt annet - programvarearkitektur, valg av de mest egnede teknologiene og rammene for feilfri drift, frontend- og backend-utvikling. På grunn av tett samarbeid mellom vår forretningsanalytiker med en sterk økonomisk bakgrunn og kundens analytikere, klarte vi sammen å gjøre den komplekse logikken med sammenhenger mellom alle parametere til et effektivt beregningssystem på backend-siden og illustrative diagrammer og tabeller på brukergrensesnittet.

Oppdagelsesfasen

På dette stadiet undersøkte teamet vårt kundens eksisterende ERP-plattform, dykket dypt ned i forretningsprosessene, utforsket alternativer og fant den best mulige teknologiske løsningen. Vi utformet en modell som skisserer forretningsenheter i systemet og deres relasjoner, laget en detaljert plan for utviklingen av hver modul og ble enige med kunden om arbeidsflyten.

Valg av teknologi

I henhold til kravene anbefalte vi teknologiene som passet perfekt til kundens behov. Ngx-datatable ble valgt for å håndtere komplekse datasett i form av regneark. Det gir alle funksjoner for å jobbe med en tabell (sortere, filtrere, legge til underrader osv.) og er veldig fleksibelt og lett. D3.js ble brukt til datavisualisering og til å lage responsive diagramkomponenter basert på dynamiske data. Dermed ble informasjonen presentert på en enkel og illustrerende måte som gjorde det mulig for brukerne å forstå den og trekke konklusjoner mye raskere. For maskinlæring valgte vi TensorFlow.js på grunn av den høye skalerbarheten og muligheten til å bruke funksjonene på forskjellige enheter om nødvendig.

Maskinlæring

For å gjøre dataanalysen raskere og mer effektiv implementerte vi en maskinlæringsalgoritmemodul. Den definerer mønstrene for endringer i anleggenes arbeidsparametere og vurderer effektiviteten deres. Algoritmene mottar automatisk data fra ERP-systemet og lærer hvilke måter som var mest effektive for å oppnå KPI-ene som er satt for hvert anlegg, verksted eller til og med maskin. Dette gjør at modulen kan finne trender og mønstre som ikke sees så lett, men som kan brukes effektivt i kostnadsoptimalisering. Vi valgte TensorFlow.js på grunn av den høye skalerbarheten og muligheten til å bruke funksjonene på forskjellige enheter i fremtiden om nødvendig.

Sikkerhet

Maskinlæringsmodulen fungerer innenfor produsentens perimeter og merker eller lagrer ikke data om noen filial, anlegg, verksted eller maskin. Bare statistiske data analyseres av ML-algoritmene. Dette betyr at denne modulen er sikker og ikke kan gi den potensielle inntrengeren eller innsideren noen viktig informasjon om kundens produksjonskrefter og gjenstander.

MVP-utvikling

Etter å ha blitt enige om arbeidsfordelingsstrukturen med kunden, gikk vi i gang med å utvikle MVP-en.

Vi leverte modul for modul annenhver uke, diskuterte oppgaver i Slack og hadde ukentlige videokonferanser i Google Meets.

Hver utviklingsfase ble avsluttet med enhetstesting og manuell testing, slik at vi kunne oppdage og fikse selv de minste feilene så tidlig som mulig, og forhindre at de ble til problemer.

MVP-utvikling

Etter å ha blitt enige om arbeidsfordelingsstrukturen med kunden, gikk vi i gang med å utvikle MVP-en.

Vi leverte modul for modul annenhver uke, diskuterte oppgaver i Slack og fikk oppgaver sporet i Jira.

Hver utviklingsfase ble avsluttet med enhetstesting og manuell testing, slik at vi kunne oppdage og fikse selv de minste feilene så tidlig som mulig, og forhindre at de ble til store problemer.

Team

Backend-utviklere

Frontend-utviklere

Kvalitets- sikringsingeniør

Business Analisten

Resultater

Ettersom systemet fra starten av ble utformet for å være så brukervennlig som mulig, tok det bare en time å lære opp ansatte som arbeidet med en ny modul. Resultatene ble synlige i løpet av en uke etter implementeringen: utarbeidelsen av rapporter gikk tre ganger raskere enn før, og brukerne fikk mer tid til å se nærmere på data og simulere scenarier. Dette gjorde det mulig for analytikerne å komme opp med et mer kalibrert sett med funn og anbefalinger for hver fabrikk i løpet av kortere tid, og dermed øke forretningsverdien og kundelojaliteten.

Dessuten har teamet vårt klart å holde hele ERP-systemet like sikkert som det pleide å være før det ble gjort endringer, takket være at maskinlæringsalgoritmene ikke samhandler med noen viktige data mens de bare analyserer mønstre og trender som kommer ut av visse beslutninger og handlinger.

Prosjektets varighet

4 måneder for MVP;
9 måneder for hele prosjektet (inkludert 2 måneders brukerakseptansetesting).

Relaterte saker

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.