Productieanalyse in actie

We gebruiken analytics al jaren om onze productieprocessen in de Bosch-fabrieken te verbeteren. Dus wat is er nieuw op het gebied van analyse in de productie en wat is de volgende stap?

Onze methodologie voor de analyse van vereisten maakt het verschil

Er zijn verschillende manieren om een ​​data-analyseproject op gang te krijgen. Het startpunt is meestal een kick-off workshop in de productiefaciliteit van de klant, waar we samenkomen met het klantteam om de projectdoelstellingen en onderliggende problemen te bespreken en te begrijpen op basis van visuele impressies van het product en het productieproces.

Productie-ingenieurs hebben de neiging zich te concentreren op en diep te duiken in de specifieke processtap die het probleem lijkt te veroorzaken, en passen algemene probleemoplossende benaderingen toe.

Maar data-analyse kan nog veel meer voordelen opleveren, omdat het zich niet puur op één specifiek proces of machine richt. In plaats daarvan houdt het ook rekening met machine-, proces- en materiaalgegevens van stroomopwaartse en stroomafwaartse productiestappen, zodat het eerder verborgen oorzaak-en-gevolgrelaties, correlaties en patronen kan identificeren.

Dus naast het introduceren van het potentieel en de kracht van data-analyse in de productie aan het begin van een project, is een van onze belangrijkste doelen in de kick-off workshop om het probleem van de klant te begrijpen vanuit een zakelijk perspectief. Wat nog belangrijker is, we proberen het probleem te zien in termen van de fysieke principes erachter. Hierdoor kunnen we ons concentreren op de juiste gegevensbronnen, zodat we de volledige kracht van gegevensanalyse kunnen benutten.

Tijd besteden aan zakelijk inzicht loont

In het eerste deel van de workshop is het doel om het kernprobleem te identificeren en ervoor te zorgen dat we zowel ons begrip van dat probleem als onze data-analyse ermee afstemmen. We noemen dit eerste deel van de workshop 'zakelijk begrip'.

De deelnemers aan de workshop worden gerichte vragen gesteld om hen te helpen een beter begrip te krijgen van het product, de processen en de algemene omstandigheden. Dit levert op zijn beurt de eerste tekenen op die wijzen op mogelijke grondoorzaken. De gerichte vragen omvatten:

Wat is de exacte volgorde van processtappen? Op welk station treden de problemen het eerst op? Welke stations in de buurt kunnen daar invloed op hebben? Zijn er speciale kenmerken van de waardestroom, zoals parallelle stappen, herbewerking of herhaalde stappen? Hoeveel productvarianten zijn er? Om hoeveel leveranciers gaat het? En zo verder…

Het begrijpen van gegevens komt daarna

In het tweede deel van de kick-off workshop over het analyseren en vastleggen van de projectvereisten, beginnen we te praten over data:

Welke bronnen leveren gegevens? Moeten we eerst data integreren of zelfs genereren? Welke gegevens uit andere processen zijn belangrijk? Naar welke termijnen kijken we? Is het bij het werken met verschillende gegevensbronnen mogelijk om gegevens duidelijk terug te traceren naar de oorsprong (bijvoorbeeld met behulp van unieke ID's)?

Iteratieve analyse in plaats van een enorm project

De eerste analysefase duurt meestal niet langer dan een week, afhankelijk van hoe lang het duurt om de gegevens voor te bereiden. Na deze week presenteren onze productieanalyse-experts hun eerste resultaten aan het expertteam van de klant met als doel de haalbaarheid aan te tonen van het oplossen van het probleem van de klant op basis van de gegeven gegevens.

Idealiter (en dit gebeurt zelfs heel vaak) bieden de resultaten van de eerste analysecyclus al bruikbare ideeën over hoe de projectdoelstellingen kunnen worden bereikt (bijvoorbeeld het verminderen van het uitvalpercentage in een bepaalde waardestroom).

Tegelijkertijd is het mogelijk om op basis van de input van klanten en hun reactie op de tussenresultaten de analysestrategie bij te stellen zodat deze aansluit bij de nieuw verworven inzichten. Dit is cruciaal voor het succes van data analytics projecten! Waarom? Het team sluit foute conclusies uit, de directe toegevoegde waarde van data-analyse wordt zichtbaar en bruikbaar en samen worden de vervolgstappen bepaald:

Wat is er nog meer nodig om de resultaten te verifiëren? En uiteindelijk om ze te automatiseren? Hoe moeten we het uitgebreide gegevensbereik hiervoor precies definiëren?

Bron:Bosch.IO De klant krijgt waardevolle inzichten in zijn data en de dataprocessen.

Onderhoud en ondersteuning voor voorspellende modellen na afloop van het project

Bestaat er zoiets als onderhoud en ondersteuning na het project? veel klanten vragen ons. Het antwoord is een volmondig JA! Dit aspect is cruciaal voor alle klanten die het voorspellende model willen toepassen op hun realtime gegevens, bijvoorbeeld om de vervanging van slijtdelen op het optimale tijdstip te plannen of om testresultaten te voorspellen.

Daarom richten we ons niet alleen op het leveren van onderhoud en ondersteuning voor de geïnstalleerde softwareoplossingen, maar ook op het leveren van de juiste technische ondersteuning voor training en monitoring van voorspellende modellen.

Volgend niveau:gestandaardiseerde tools voor standaardproblemen

Webgebaseerde analysetools leveren onmiddellijke inzichten op en zetten data-analyses in voor het dagelijkse werk van ingenieurs zonder dat er datawetenschappers bij betrokken hoeven te zijn. Dit volgende niveau is spannend. Leer er meer over in de video.

Lanceer Data Analytics in uw productieactiviteiten.

In deze webcast ziet u concrete gevallen van productieoptimalisatie in de praktijk en leert u hoe onze tweedaagse workshop u helpt uw ​​initiatief te starten.