System Business Intelligence dla zakładów

Konfigurowalny system integruje wszystkie dane dotyczące procesu produkcji w łatwej w użyciu aplikacji internetowej, znacznie ułatwiając analizę kosztów i planowanie różnych scenariuszy.

Klient

Branża

Analityka biznesowa

Region

Szwajcaria

Klient od

2021

Klient dostarcza kompleksowe systemy ERP dla dużych przedsiębiorstw, a także usługi audytorskie i konsultingowe dla firm produkcyjnych, pomagając im w optymalizacji pracy i sprawozdań finansowych.

Szczegółowe informacje o kliencie nie mogą być ujawnione zgodnie z postanowieniami NDA.

Wyzwanie

Analitycy klienta obliczali wszystkie koszty i wydatki różnych fabryk w uciążliwych arkuszach kalkulacyjnych Excel. Im więcej danych znajdowało się w tabelach, tym wolniej działał program. Co więcej, jeśli konieczne było dodanie kolumn do tabeli (np. z nowymi komponentami), użytkownicy musieli ręcznie zmieniać formuły w komórkach. Spowalniało to proces analityczny i powodowało błędy ludzkie.

Aby usprawnić pracę i zwiększyć wydajność, klient wpadł na pomysł zintegrowania dodatkowego modułu z istniejącym systemem ERP, ze szczegółową analizą produkcji i prognozami. Moduł ma być łatwo dostosowywany do każdej fabryki i procesu produkcyjnego, więc użytkownicy po prostu dodają wymagane dane o maszynach, materiałach, komponentach i personelu, podczas gdy wszystkie obliczenia są z góry określone i wykonywane w zapleczu.

Wdrożenie

Nasz zespół opracował od podstaw nową część dla istniejącej platformy ERP, która obejmuje strukturę produkcji, wzajemne powiązania między jej komponentami, kalkulację kosztów i symulację.

Aplikacja internetowa

SCHEMAT STRUKTURY ZAKŁADU

Użytkownicy mogą zbudować niestandardowy model swojej fabryki, dodając poziom po poziomie - warsztaty, sprzęt i moduły. Schemat ten pomaga analitykom lepiej zrozumieć model fabryki i umożliwia tworzenie odniesień na pierwszy rzut oka.

Klikając elementy na najniższym poziomie schematu, użytkownicy otwierają sekcję ze zgromadzonymi informacjami o każdej jednostce produkcyjnej: strony z ogólnym przeglądem pracy i produkcji, wyprodukowanych i wadliwych produktów, użytych materiałów, strat i robocizny. Możliwe jest ustawienie KPI z różnymi parametrami (produkcja, złom itp.) dla każdej maszyny i wykorzystanie wykresów do śledzenia zmian w wartościach bezwzględnych i względnych. Analitycy mogą sprawdzić wydajność każdej maszyny: ile produktów zostało wyprodukowanych, z jaką prędkością oraz przy użyciu ilu zasobów i strat.

MODUŁ KOSZTÓW

Ta część rozwiązania reprezentuje pulpit nawigacyjny z podsumowaniem kosztów produkcji w wybranym okresie. Zapewnia skumulowane dane dotyczące produkcji, kosztów całkowitych, kosztów na wyprodukowaną jednostkę itp. Użytkownicy mogą również porównać dane z okresem odniesienia, aby śledzić zmiany w czasie. Niewielka tabela P&L dostarcza więcej informacji na temat poniesionych kosztów w podziale na elementy (robocizna, surowce, energia, amortyzacja itp.) w porównaniu z przydzielonym budżetem i procentem strat. Dla przejrzystości, wszystkie kategorie kosztów są również przedstawione na wykresie. Przegląd ten pozwala użytkownikom zrozumieć na pierwszy rzut oka wagę każdej kategorii w całkowitych kosztach produkcji i zidentyfikować obszary problemowe w celu ich optymalizacji.

Aby uzyskać więcej szczegółów na temat struktury kosztów, użytkownicy mogą zagłębić się w informacje przedstawione w dużych arkuszach kalkulacyjnych P&L, które są kolejną częścią modułu kosztów. Zawierają one więcej parametrów każdego składnika rachunku zysków i strat i pozwalają użytkownikom obliczyć, w jaki sposób koszty produkcji zależą od wielkości produkcji, zmian cen na przestrzeni lat i strat.

INTUICYJNY INTERFEJS UŻYTKOWNIKA

Interfejs arkusza kalkulacyjnego jest wyjątkowo łatwy w użyciu: każdy wiersz ma kilka przycisków do edycji danych, dodawania nowego zagnieżdżonego wiersza oraz powtarzania i usuwania tego samego wiersza. Wszystkie formuły i skomplikowane obliczenia z wieloma powiązanymi ze sobą parametrami są "ukryte" w backendzie, więc zwykli użytkownicy bez uprawnień administratora nie będą mogli ich przypadkowo zmienić lub zepsuć. Dane mogą być importowane z innych tabel (np. CSV, XML Spreadsheets), oszczędzając użytkownikom wiele czasu i minimalizując pracę ręczną.

Konfiguracja arkusza kalkulacyjnego zawiera już listę ogólnych elementów, które są wspólne dla różnych typów zakładów - bezpośrednia i pośrednia robocizna, surowce, opakowania, energia, konserwacja, kontrola jakości, koszty operacyjne itp. Dlatego użytkownicy muszą jedynie wybrać wymagane elementy w ustawieniach i dostosować je do własnych potrzeb: w razie potrzeby mogą zmienić nazwy, wstawić dodatkowe wiersze z komponentami oraz dodać rzeczywiste koszty i ceny.

MODUŁ SYMULACJI

Kolejna część modułu kosztowego umożliwia symulację scenariuszy odgórnych i oddolnych. Analitycy mogą ustawić cele redukcji (np. według kosztów, strat) i uzyskać szacunki optymalizacji kosztów w poszczególnych latach. Pomaga to znaleźć idealną kombinację wszystkich parametrów, pozwalając firmom produkcyjnym zminimalizować koszty przy tej samej jakości i zwiększyć EBITDA.

Po zatwierdzeniu scenariusza jest on wykorzystywany jako punkt odniesienia do śledzenia bieżącej wydajności produkcji. W ten sposób analitycy mogą wykryć poważne błędy w skuteczności i harmonogramie oraz zalecić podjęcie działań naprawczych.

Technologie i narzędzia

Back-end

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

Front-end

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

Platformy

Web

Ngx-datatable został wybrany do obsługi złożonych zestawów danych w arkuszach kalkulacyjnych. Posiada wszystkie funkcje do pracy z tabelami, ale jest bardzo elastyczny i lekki. D3.js został użyty do tworzenia responsywnych komponentów wykresów opartych na dynamicznych danych. W ten sposób wizualizacja danych umożliwia użytkownikom analizowanie i wyciąganie wniosków znacznie szybciej.

Proces

Klient miał jasną wizję tego, jak powinien wyglądać idealny moduł analityczny, więc otrzymaliśmy makiety interfejsu i formuły do obliczania kosztów produkcji. Rozwiązaliśmy kwestie związane z całą resztą - architekturą oprogramowania, wyborem najbardziej odpowiednich technologii i frameworków do bezbłędnego działania, rozwojem frontendu i backendu. Dzięki ścisłej współpracy naszego analityka biznesowego z silnym zapleczem finansowym i analityków klienta, wspólnie udało nam się przekształcić złożoną logikę powiązań między wszystkimi parametrami w wydajny system obliczeń po stronie backendu oraz ilustrujące wykresy i tabele w interfejsie użytkownika.

Faza odkrywania

Na tym etapie nasz zespół przeanalizował istniejącą platformę ERP klienta, zagłębił się w procesy biznesowe, zbadał alternatywy i opracował najlepsze możliwe rozwiązanie technologiczne. Zaprojektowaliśmy model, który przedstawia podmioty biznesowe w systemie i ich relacje, stworzyliśmy szczegółowy plan rozwoju każdego modułu i uzgodniliśmy z klientem przepływ pracy.

Wybór technologii

Zgodnie z wymaganiami zarekomendowaliśmy technologie, które idealnie odpowiadały potrzebom klienta. Ngx-datatable został wybrany do obsługi złożonych zestawów danych w formie arkuszy kalkulacyjnych. Zapewnia wszystkie funkcje do pracy z tabelą (sortowanie, filtrowanie, dodawanie podrzędnych wierszy itp.) i jest bardzo elastyczny i lekki. D3.js został użyty do wizualizacji danych i tworzenia responsywnych komponentów wykresów opartych na dynamicznych danych. W ten sposób informacje zostały przedstawione w łatwy i obrazowy sposób, który pozwolił użytkownikom zrozumieć je i wyciągnąć wnioski znacznie szybciej. Do uczenia maszynowego wybraliśmy TensorFlow.js ze względu na jego wysoką skalowalność i możliwość wykorzystania jego możliwości na różnych urządzeniach w razie potrzeby.

Uczenie maszynowe

Aby przyspieszyć i usprawnić analizę danych, wdrożyliśmy moduł algorytmów uczenia maszynowego. Definiuje on wzorce zmian parametrów pracy zakładów i ocenia ich efektywność. Algorytmy automatycznie otrzymują dane z systemu ERP i uczą się, które sposoby były najbardziej efektywne w osiąganiu wskaźników KPI ustalonych dla każdego zakładu, warsztatu, a nawet maszyny. Pozwala to modułowi znaleźć trendy i wzorce, które nie są tak łatwo widoczne, ale mogą być skutecznie wykorzystane w optymalizacji kosztów. Wybraliśmy TensorFlow.js ze względu na jego wysoką skalowalność i możliwość wykorzystania jego możliwości na różnych urządzeniach w przyszłości, jeśli zajdzie taka potrzeba.

Bezpieczeństwo

Moduł uczenia maszynowego działa w obrębie producenta i nie etykietuje ani nie przechowuje danych o żadnym oddziale, zakładzie, warsztacie lub maszynie. Algorytmy ML analizują jedynie dane statystyczne. Oznacza to, że moduł ten jest bezpieczny i nie może dostarczyć potencjalnemu intruzowi żadnych istotnych informacji na temat mocy produkcyjnych i produktów klienta.

Rozwój MVP

Po uzgodnieniu z klientem struktury podziału pracy, zabraliśmy się za tworzenie MVP.

Dostarczaliśmy moduł po module co dwa tygodnie, omawialiśmy zadania na Slacku i odbywaliśmy cotygodniowe wideokonferencje w Google Meets.

Każda faza rozwoju zakończyła się testami jednostkowymi i ręcznymi, dzięki czemu mogliśmy wykryć i naprawić nawet najmniejsze błędy na jak najwcześniejszym etapie, zapobiegając ich przekształceniu się w problemy.

Rozwój MVP

Po uzgodnieniu z klientem struktury podziału pracy, zabraliśmy się za tworzenie MVP.

Dostarczaliśmy moduł po module co dwa tygodnie, omawialiśmy zadania na Slacku i śledziliśmy je w Jira.

Zespół

Programiści Back-end

Programiści Front-end

QA Engineer

Analityków biznesowych

Wyniki

Ponieważ system został od początku zaprojektowany tak, aby był jak najbardziej przyjazny dla użytkownika, przeszkolenie pracowników pracujących w nowym module zajęło zaledwie godzinę. Rezultaty stały się widoczne w ciągu tygodnia od wdrożenia: przygotowywanie raportów stało się 3 razy szybsze niż wcześniej, a użytkownicy zyskali więcej czasu na dokładniejszą analizę danych i symulację scenariuszy. Umożliwiło to analitykom opracowanie bardziej skalibrowanego zestawu wniosków i zaleceń dla każdej fabryki w krótszym czasie, zwiększając w ten sposób wartość biznesową i lojalność klientów.

Co więcej, nasz zespół zdołał utrzymać cały system ERP tak bezpieczny, jak przed wprowadzeniem modyfikacji, dzięki algorytmom uczenia maszynowego, które nie wchodzą w interakcje z żadnymi istotnymi danymi, analizując jedynie wzorce i trendy wynikające z określonych decyzji i działań.

Czas trwania projektu

4 miesiące na MVP;
9 miesięcy na cały projekt (w tym 2 miesiące testów akceptacyjnych).

Podobne projekty

Skontaktuj się z nami!

Zadzwoń lub wypełnij poniższy formularz, a my skontaktujemy się z Tobą po przetworzeniu Twojego zgłoszenia.

Nazwa

Firma

E-mail

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat
projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe.