Cara memulai proyek analisis data di bidang manufaktur

Artikel ini tentang

• Sebagai spesialis Pemasaran dengan fokus pada solusi perangkat lunak, Stefanie membahas beberapa pertanyaan dasar tentang analisis data yang biasanya diajukan oleh pakar produksi.

Topik analitik data sama ramainya dengan yang dipertanyakan – spektrum opini berkisar dari “data sebagai minyak baru ekonomi” hingga “kesimpulan analitik tidak 100% dapat diandalkan” dan semua nuansa di antaranya. Masing-masing benar dengan caranya sendiri. Untuk membantu Anda lebih memahami topik ini, saya mengumpulkan beberapa pertanyaan berulang yang biasanya diajukan oleh pakar produksi, dan mendiskusikannya dengan engineer analitik manufaktur, pakar IT, dan ilmuwan data kami.

1. Di tingkat organisasi mana atau dengan fungsi apa proyek analitik data kita harus dimulai?

Tidak ada level atau fungsi terbaik. Di mana memulai proyek tergantung pada beberapa faktor:

Apakah konsep analisis data sudah dipahami dengan baik di perusahaan Anda?
Jika tidak, cara terbaik untuk memulai adalah dengan mengadakan lokakarya orientasi analisis data baik untuk pakar maupun manajemen. Tujuan lokakarya ini adalah untuk memberikan pemahaman dasar tentang kemungkinan analitik dan untuk mengidentifikasi kasus penggunaan potensial.

Apakah manajemen memiliki pemahaman (dalam) tentang proses teknis?
Jika tidak, workshop persyaratan dengan ahli lokasi produksi dapat menjadi pilihan pertama Anda. Keluarannya biasanya berupa diagram sebab dan akibat (lihat di bawah). Biasanya, tim analitik data kami (terdiri dari campuran pakar TI, manufaktur, dan ilmu data) mengajukan pertanyaan mendalam, seperti:“Apakah Anda ingin membedakan antara pengerjaan ulang dan memo?” Dalam kasus terbaik, akan sangat membantu untuk melibatkan manajemen untuk mencapai kesepakatan yang serius.

Sumber:Bosch.IO

Apakah masalah yang diharapkan dapat dipecahkan oleh analisis data telah didefinisikan secara konkret?
Jika demikian, Anda dapat memilih alat analisis terlebih dahulu. Masalahnya bisa sekonkret "upaya pengujian EoL terlalu tinggi dan perlu dikurangi." Tim analitik kemudian dapat segera mulai bekerja dengan pakar lokasi produksi untuk menentukan apakah alat pengurang waktu pengujian yang ada dapat diterapkan atau bagaimana alat tersebut perlu disesuaikan atau diperluas.

2. Perspektif apa yang perlu kita kelola dalam proyek analisis data?

Berkat studi UX yang dilakukan oleh Bosch, kami mengetahui bahwa ada tiga jenis pakar tanaman yang perlu ditangani, masing-masing dengan cara yang sama sekali berbeda – mis. lebih pada tingkat bisnis, lebih pada tingkat teknis, atau lebih pada tingkat data.

Sumber:Bosch.IO

Tipe skeptis membutuhkan bukti manfaat yang akan diberikan analitik data. Untuk meyakinkan orang yang skeptis, kita memerlukan pemahaman yang baik tentang mekanisme ROI, dan kita harus dapat memvalidasi mekanisme ini dengan cepat dengan hasil, dengan fokus pada keluaran, kualitas, dan biaya.

berpikiran terbuka type tertarik pada cara baru untuk mengoptimalkan berbagai hal. Penekanan harus diberikan pada penjelasan metode mana yang digunakan, mengapa algoritme tertentu dipilih, dan mengapa model prediksi yang dihasilkan siap untuk diterapkan pada data langsung.

orang percaya biasanya sudah memiliki paparan analitik data dan percaya itu dapat membuat perbedaan bagi bisnis. Cara terbaik untuk memulai adalah dengan segera menerapkan CRISP-DM (proses standar lintas industri untuk data mining, lihat diagram di bawah) dengan dia dan tim untuk proyek analisis data.

Sumber:Bosch.IO

Berdasarkan pengalaman kami, lokakarya orientasi secara umum terbukti sangat berguna dalam memperoleh dukungan dari semua pemangku kepentingan. Kami biasanya memulai dengan pertanyaan bisnis dan kemudian mengulangi dengan memahami proses teknis dan kendala yang berkaitan dengan pertanyaan itu. Lebih dari sekali, teknisi kami berhasil meyakinkan pelanggan bahwa analisis regresi kompleks dapat dengan mudah dikomunikasikan sebagai manfaat.

3. Pengetahuan apa yang kita butuhkan untuk melakukan proyek analisis data?

Stefanie Peitzker

Saya memiliki gelar sarjana manajemen dengan spesialisasi geografi (University Augsburg, Jerman). Sejak tahun 2003, saya bekerja untuk Bosch.IO (sebelumnya Bosch Software Innovations):Saya telah membangun pemasaran untuk Aturan Visual, Sistem Manajemen Aturan Bisnis kami dan berkontribusi dalam memenangkan pelanggan di seluruh dunia. Sejak Januari 2009, saya menjalankan tim Solusi Pemasaran di Bosch.IO, sebuah tim tangkas yang saat ini terdiri dari tujuh rekanan, semuanya mencoba untuk secara permanen mempelajari lebih lanjut tentang kebutuhan pelanggan dan tren pasar – berfokus pada menjadikan solusi perangkat lunak sebagai pengalaman nyata.

Tim analisis data Anda perlu memperoleh pemahaman dasar dalam tiga bidang:

Bisnis: Sebagai pelanggan, Anda perlu memberi tahu mereka tentang tujuan dan persyaratan proyek dari perspektif bisnis sehingga mereka dapat mengubah pengetahuan ini menjadi definisi masalah analisis data.

Data: Persiapan, pemodelan, evaluasi, dan penerapan data – mulai dari pembuatan laporan sederhana hingga penerapan model prediktif secara langsung. Pemahaman data murni telah terbukti menjadi dasar yang kuat yang berguna di banyak industri, tetapi tidak ada fokus pada manufaktur.

Proses teknis: Anda sebagai pelanggan perlu memberikan penjelasan dasar tentang rantai nilai produksi secara keseluruhan, mis. proses pengelasan, proses laser, pengujian, atau proses pengencangan, tergantung pada pertanyaan yang harus dijawab oleh analytics. Di sinilah tim analitik membutuhkan insinyur analitik manufaktur.

4. Dasar apa yang perlu dilakukan organisasi manufaktur saya sebelum menerapkan Analisis Manufaktur?

Sepintas, pengumpulan dan persiapan data tampaknya menjadi tantangan bagi banyak pakar produksi. Dasar bagi mereka adalah untuk membuat data tersedia sesuai kebutuhan. "Kami tidak memiliki data" bukanlah respons yang valid. Tapi itu bukan ilmu roket. Kami merekomendasikan pedoman kualitas data yang memandu pelanggan melalui proses penyiapan data dalam hal kuantitas, kualitas, dan validitas yang diperlukan untuk analitik.

Sumber:Bosch.IO

5. Berapa jumlah minimum data yang diperlukan untuk menerapkan analitik?

Sebagai aturan praktis, kami menyarankan Anda memiliki setidaknya 15 pengamatan atau kumpulan data per variabel yang mempengaruhi. Dengan kata lain, untuk menganalisis pengaruh 30 parameter proses pada indikator kualitas, diperlukan setidaknya 30 * 15 =450 kumpulan data.

Secara umum, tentu saja, semakin banyak kumpulan data yang Anda miliki, semakin baik. Jangan khawatir – lebih banyak set data tidak secara signifikan meningkatkan jumlah pekerjaan manual. Selain itu, hanya berdampak kecil pada waktu komputasi, yang biasanya dapat diabaikan dengan infrastruktur TI analitik data yang tepat.

Karena kuantitas, kualitas, dan validitas data yang diperoleh dan disiapkan sangat penting untuk keberhasilan proyek, ada baiknya berinvestasi dalam fase proyek Anda ini. Untuk lebih memandu Anda melaluinya, kami telah mengumpulkan pengalaman kami dari banyak proyek dalam satu set pedoman kualitas data. Pelanggan kami menggunakan panduan ini untuk menghasilkan basis data yang memadai tanpa menginvestasikan waktu atau uang yang tidak perlu dalam pengumpulan data.

6. Apakah saya masih dapat memanfaatkan analitik jika perusahaan saya tidak memiliki ilmuwan data atau tim IT yang besar?

Inilah yang akan disumbangkan oleh mitra analitik profesional Anda untuk membantu Anda mewujudkan proyek dan solusi Anda. Tim yang cakap terdiri dari campuran insinyur manufaktur, pakar TI, dan ilmuwan data. Kombinasi ini adalah kunci untuk memecahkan masalah Anda dengan pendekatan analitik ramping, karena mengembangkan solusi berbasis analitik Anda memerlukan pemahaman tentang bisnis, data, dan proses teknis. Anda tidak perlu mempekerjakan ilmuwan data apa pun untuk organisasi Anda. Mitra profesional Anda akan mempresentasikan lokakarya pra-proyek tentang analitik dasar, di mana Anda akan belajar bagaimana mengidentifikasi kemungkinan kasus penggunaan dan membantu memvalidasi model yang dikembangkan. Anda kemudian akan menerapkan pengetahuan ini dalam rapat proyek untuk mendiskusikan hasilnya.

Sumber:Bosch.IO