Business Intelligence System För Anläggningar

Det anpassningsbara systemet integrerar all data om produktionsprocessen i en lättanvänd webbapplikation, vilket gör kostnadsanalys och planering av olika scenarier mycket enklare.

Kund

Industri

Business Intelligence

Region

Schweiz

Kund sedan

2021

Kunden tillhandahåller komplexa ERP-system för stora företag, samt revisions-och konsulttjänster för tillverkningsföretag, vilket hjälper dem att optimera sitt arbete och bokslut.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning

Analytiker av klienten brukade beräkna alla kostnader och utgifter för olika fabriker i besvärliga Excel-kalkylblad. Ju mer data som fanns i tabellerna, desto långsammare fungerade programmet. Dessutom, om det var nödvändigt att lägga till kolumner i tabellen (t.ex. med nya komponenter), var användarna tvungna att ändra formler i celler manuellt. Det bromsade analysprocessen och orsakade vissa mänskliga fel.

För att effektivisera arbetet och öka effektiviteten kom kunden med en ide att integrera en extra modul i det befintliga ERP-systemet, med detaljerad produktionsanalys och prognoser. Modulen ska enkelt anpassas till alla fabriks- och produktionsprocesser, så användarna lägger bara till nödvändiga data om maskiner, material, Komponenter och personal, medan alla beräkningar är förutbestämda och fortsätter i backend.

Lösning

Vårt team utvecklade en ny del för en befintlig ERP-plattform från grunden, som täcker produktionsstrukturen, sambanden mellan dess komponenter, kostnadsberäkning och simulering.

Webbapplikation

SYSTEM FÖR ANLÄGGNINGENS STRUKTUR

Användare kan bygga en anpassad modell av sin fabrik och lägga till nivå för nivå – verkstäder, utrustning och moduler. Systemet hjälper analytiker att förstå modellen för en fabrik bättre och gör det möjligt att göra referenser på ett ögonblick.

Genom att klicka på objekten på lägsta nivå i systemet öppnar användarna en sektion med ackumulerad information om varje tillverkningsenhet: sidor med en allmän översikt över arbete och produktion, tillverkade och defekta produkter, material som används, förluster och arbetskraft. Det är möjligt att ställa in KPI:er med olika parametrar (utgång, skrot osv) för varje maskin och använd diagram för att spåra förändringar i absoluta och relativa termer. Analytiker kan kontrollera effektiviteten hos varje maskin: hur många produkter som tillverkades, i vilken hastighet och med hur många resurser och förluster.

KOSTNADSMODUL

Denna del av lösningen representerar en instrumentpanel med en sammanfattning av produktionskostnaderna för en vald tidsperiod. Det ger ackumulerade data om produktion, totala kostnader,kostnader per producerad enhet etc. Användare kan också jämföra data med en referensperiod för att spåra ändringar över tid. En liten P&L-tabell ger mer information om förbrukad kostnad per element (arbete, råvaror, energi, avskrivningar osv) i jämförelse med den tilldelade budgeten och förlustprocenten. För tydlighetens skull presenteras alla kostnadskategorier också i en graf. Denna översikt gör det möjligt för användare att snabbt förstå vikten av varje kategori i totala produktionskostnader och identifiera problemområden för deras optimering.

För att få mer information om kostnadsstrukturen kan användarna dyka in i informationen som presenteras i stora P&L-kalkylblad, som är en annan del av kostnadsmodulen. De innehåller fler parametrar för varje P&L-komponent och gör det möjligt för användare att beräkna hur produktionskostnaderna beror på produktionsvolym, prisförändringar över år och förluster.

INTUITIVT ANVÄNDARGRÄNSSNITT

Kalkylarkgränssnittet är särskilt enkelt att använda: varje rad har några knappar för att redigera data, lägga till en ny kapslad rad och upprepa och radera samma rad. Alla formler och komplicerade beräkningar med många sammanhängande parametrar är "dolda" i backend, så vanliga användare utan administratörsrättigheter kommer inte av misstag att ändra eller förstöra dem. Data kan importeras från andra tabeller (t.ex. CSV, XML-kalkylblad), vilket sparar användarna mycket tid och minimerar manuellt arbete.

Konfigurationen av kalkylblad innehåller redan en lista över allmänna element som är vanliga för olika typer av anläggningar – direkt och indirekt arbetskraft, råvaror, förpackningar, energi, underhåll, kvalitetskontroll, driftskostnader osv. Därför behöver användarna bara välja nödvändiga element i inställningarna och anpassa dem till sina egna behov: de kan ändra namn om det behövs, infoga ytterligare rader med komponenter och lägga till faktiska kostnader och priser.

SIMULERINGSMODUL

Nästa del av kostnadsmodulen gör det möjligt att simulera top-down och bottom-up scenarier. Analytiker kan sätta minskningsmål (t.ex. genom kostnader, förluster) och få uppskattningar av kostnadsoptimering per år. Detta hjälper till att hitta den perfekta kombinationen av alla parametrar, vilket gör det möjligt för produktionsföretag att minimera kostnaderna med samma kvalitet och öka sin EBITDA.

När ett scenario godkänns används det som riktmärke för att spåra den nuvarande effektiviteten i produktionen. Således kan analytiker upptäcka allvarliga fel i effektiviteten och tidpunkten och rekommendera att vidta korrigerande åtgärder.

Teknik och verktyg

Backend

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

Frontend

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

Plattformar

Web

Ngx-datatable valdes för att hantera komplexa datasatser i kalkylblad. Den har alla funktioner för att arbeta med bord men är mycket flexibel och lätt. D3.js användes för att skapa responsiva diagramkomponenter baserade på dynamiska data. Datavisualisering gör det möjligt för användare att analysera och dra slutsatser mycket snabbare.

Process

Kunden hade en tydlig vision om hur den ideala analysmodulen skulle se ut, så vi fick modeller av gränssnittet och formler för att beräkna produktionskostnaderna. Vi löste problemen med allt annat - mjukvaruarkitektur, urval av de mest lämpliga teknikerna och ramarna för felfri drift, frontend och backend-utveckling. På grund av ett nära samarbete mellan vår affärsanalytiker med en stark ekonomisk bakgrund och kundens analytiker lyckades vi tillsammans förvandla den komplexa logiken för sambanden mellan alla parametrar till ett effektivt beräkningssystem på Backend-sidan och illustrativa diagram och tabeller på användargränssnittet.

Upptäcktsfasen

I detta skede undersökte vårt team kundens befintliga ERP-plattform, dök djupt in i affärsprocesserna, utforskade alternativ och räknade ut den bästa möjliga tekniska lösningen. Vi utformade en modell som beskriver affärsenheter i systemet och deras relationer, skapade en detaljerad plan för utvecklingen av varje modul och kom överens med kunden om arbetsflödet.

Teknikval

Enligt kraven rekommenderade vi den teknik som perfekt passade kundens behov. Ngx-datatable valdes för att hantera komplexa datamängder i form av kalkylblad. Den innehåller alla funktioner för att arbeta med en tabell (sortera, filtrera, lägga till underrader osv) och är mycket flexibel och lätt. D3.js användes för datavisualiseringar och för att skapa responsiva diagramkomponenter baserade på dynamiska data. Således presenterades informationen på ett enkelt och illustrativt sätt som gjorde det möjligt för användarna att förstå det och dra slutsatser mycket snabbare. För maskininlärning valde vi TensorFlow.js på grund av sin höga skalbarhet och möjligheten att använda sina funktioner på olika enheter om det behövs.

Maskininlärning

För att göra dataanalysen snabbare och effektivare implementerade vi en maskininlärningsalgoritmmodul. Den definierar mönster för förändringar i företagens arbetsparametrar och bedömer deras effektivitet. Algoritmerna tar automatiskt emot data från ERP-systemet och lär sig vilka sätt som var mest effektiva för att uppnå KPI:erna för varje anläggning, verkstad eller till och med maskin. Detta gör det möjligt för modulen att hitta trender och mönster som inte ses så lätt men kan användas effektivt i kostnadsoptimering. Vi valde TensorFlow.js på grund av sin höga skalbarhet och möjligheten att använda sina funktioner på olika enheter i framtiden om det behövs.

Säkerhet

Maskininlärningsmodulen arbetar inom tillverkarens område och märker eller lagrar inte data om någon filial, anläggning, verkstad eller maskin. Endast statistiska data analyseras av ML-algoritmerna. Detta innebär att den här modulen är säker och inte kan ge en potentiell inkräktare eller insider någon viktig information om kundens tillverkningskrafter och artiklar.

MVP-utveckling

Efter att ha kommit överens med kunden om arbetsuppdelningsstrukturen kom vi ner till att utveckla MVP.

Vi levererade modul för modul varannan vecka, diskuterade uppgifter i Slack och hade veckovisa videokonferenser i Google Meets.

Varje utvecklingsfas avslutades med enheten och manuell testning, så att vi kunde upptäcka och fixa även de minsta buggarna så tidigt som möjligt, vilket hindrade dem från att bli problem.

MVP-utveckling

Efter att ha kommit överens med kunden om arbetsuppdelningsstrukturen kom vi ner till att utveckla MVP.

Vi levererade modul för modul varannan vecka, diskuterade uppgifter i Slack och hade uppgifter som spårades i Jira.

Varje utvecklingsfas avslutades med enhetstest och manuell testning, så att vi kunde upptäcka och åtgärda även de minsta buggarna i ett så tidigt skede som möjligt och förhindra att de förvandlas till stora problem.

Team

Backend-utvecklare

Frontend-utvecklare

QA-ingenjör

Affärsanalytiker

Resultat

Eftersom systemet från början var utformat för att vara så användarvänligt som möjligt tog det bara en timme att utbilda anställda som arbetar inom en ny modul. Resultaten blev synliga inom en vecka efter implementeringen: utarbetandet av rapporter blev 3 gånger snabbare än tidigare, och användarna fick mer tid för närmare granskning av data och scenariosimulering. Detta gjorde det möjligt för analytiker att komma med en mer kalibrerad uppsättning resultat och rekommendationer för varje fabrik inom en kortare tidsperiod, vilket ökade affärsvärdet och ökade kundlojaliteten.

Dessutom har vårt team lyckats hålla hela ERP-systemet så säkert som det brukade vara innan ändringar gjordes tack vare maskininlärningsalgoritmerna som inte interagerade med några viktiga data medan de bara analyserade mönster och trender som kommer ut ur vissa beslut och åtgärder.

Projektets löptid

4 månader för MVP;
9 månader för hela projektet (inklusive 2 månaders testning av användarnas godkännande).

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.