Von ERP bis Predictive Maintenance Analytics als Steuerungsinstrument PROFI Business Frühstück Chemnitz
BIG DATA VORSTELLUNG Stefan Held Software Architekt PROFI GS Bochum / Köln Schwerpunkte: Business Intelligence Big Data Analytics Data Warehouse CRM 2
INHALT 1 Daten als Basis für Prozesse 2 Data Warehouse als Drehscheibe für ERP-Daten 3 Muster- und Trenderkennung in Daten 4 Predictive Maintenance & Quality Improvement 3
DATENGESTÜTZTE PROZESSE Vertriebsprozesse Erfüllungsprozesse Entwicklungsprozesse Produktionsprozesse ERP CRM Besuchsdaten Angebotsdaten Auftragsdaten Transportdaten Konstruktionsdaten Planungsdaten Maschinendaten Qualitätsdaten Umgebungsdaten Einsatzdaten Materialdaten Lohndaten Etc Dienstleistungsprozesse 4
DATENNUTZUNG Häufigster Datenverarbeitungsprozess Erfassung Ausführung des Kernprozesses Ablage Standardauswertungen Nutzen für Nebenprozesse? Beispiel: Preiskalkulation 5
INHALT 1 Daten als Basis für Prozesse 2 Data Warehouse als Drehscheibe für ERP-Daten 3 Muster- und Trenderkennung in Daten 4 Predictive Maintenance & Quality Improvement 6
DATENENDLAGER FÜRS ERP Aktiver Datenbestand im ERP: laufende Geschäftsprozesse Abgeschlossene Prozesse: Endlagerung im Warehouse Verwendung für Management und Controlling Isolierte Betrachtung (Datensilo) 7
VERBINDUNG MIT ANDEREN QUELLEN DWH Services Produktion CRM Lager Neue Kennzahlen ERP-Daten Standard Report Adhoc & Mobile Analyse 8
INHALT 1 Daten als Basis für Prozesse 2 Data Warehouse als Drehscheibe für ERP-Daten 3 Muster- und Trenderkennung in Daten 4 Predictive Maintenance & Quality Improvement 9
ERWEITERUNG DER WERKZEUGE DWH Services Produktion CRM Lager ERP-Daten Standard Report Adhoc & Mobile Analyse Planung und Optimierung Lager / Logistik Produktionsplan / Auslastung Marketing / Kundensegmente 10
ERWEITERUNG DER WERKZEUGE DWH Services Produktion CRM Lager ERP-Daten Standard Report Adhoc & Mobile Analyse Data Mining Erkennen von Zusammenhängen Bestimmen von Einflussfaktoren Vorhersage von Entwicklungen 11
ERWEITERUNG DER WERKZEUGE Mining-Resultate: Zeitliche Zusammenhänge ( ca 1 Woche nachdem Wert A steigt, wird Wert B folgen ) Verbundene Ereignisse ( Wer A kauft, kauft mit 70%iger Wahrscheinlichkeit auch B ) Vorhersage von Trends und Saisonalität ( Für die nächsten 2 Monate fällt der Umsatz und steigt dann wieder stark an ) Interessante Korrelationen ( Nach dem 2. Vertreterbesuch steigt die Abschlusswahrscheinlichkeit mit jedem Besuch um 10%, aber die Marge sinkt um 5% ) Dinge, die aus normalen Berichten eines BI-Systems nicht zu erkennen sind 12
MINING-PROZESS Vorgehensweise: Nimm eine große Zahl von Vorgängen aus der Historie, deren Ausgang bekannt ist, und untersuche die Eigenschaften, die jeden Einzelnen dieser Vorgänge charakterisieren Ein Mining-Programm untersucht die Wahrscheinlichkeiten, mit denen bestimmte Eigenschaften mit dem einen oder anderen Ergebnis des Vorganges verknüpft sind und findet Gemeinsamkeiten zwischen Vorgängen mit gleichem Ergebnis. Wenn es Abhängigkeiten zwischen den Eigenschaften und dem Ausgang gibt, werden diese gefunden, sofern die Anzahl der betrachteten Eigenschaften und Vorgänge groß genug ist. Bsp.: Vertriebsprozess Eigenschaften: Produktklasse, Gesamtvolumen, Rabattsatz, Anzahl Besuche, Verkäufer, Branche des Kunden, Betriebsgröße des Kunden, usw. usw. Ergebnis: Abschluss ja oder nein. Aufbau eines Entscheidungsbaumes oder -netzwerkes 13
INHALT 1 Daten als Basis für Prozesse 2 Data Warehouse als Drehscheibe für ERP-Daten 3 Muster- und Trenderkennung in Daten 4 Predictive Maintenance & Quality Improvement 14
ÜBERTRAGUNG AUF DEN PRODUKTIONSPROZESS Annahme: Jeder Qualitätsmangel und jeder Ausfall ist das Ergebnis von Umständen, die sich in den Daten ausdrücken, die in und um den Produktionsprozess entstehen. Problemwahrscheinlichkeit als Funktion aller Messwerte eines Prozesses Verarbeitung einer sehr großen Zahl von Eingangsgrößen Ich erkenne ein fehlerhaft produziertes Teil nicht erst in der Qualitätskontrolle, Sondern anhand von Umgebungsmesswerten bereits mit hoher Wahrscheinlichkeit während des Herstellungsprozesses. 15
QUALITÄTSVORHERSAGE Für den Produktionsprozess in einer Produktionsanlage bedeutete dies: Betrachtung einer möglichst großen Zahl von Vorgängen als Grundmenge für die Analyse Betrachtung aller Messdaten, Sensorwerte, Umgebungsinformationen rund um den betrachteten Vorgang Auch Werte, die scheinbar keine Rolle spielen können (Wetter, Tageszeit, Schichtpläne, was auch immer!) Ergebnisse können sein: Qualitätskriterien erfüllt / nicht erfüllt Gerät defekt / nicht defekt Oder kontinuierliche Werte: Z.B. Voraussichtlicher Liefertermin 16
ÜBERTRAGUNG AUF EINEN LOGISTIKPROZESS am Beispiel eines Schiffstransportes Mit dem Binnenschiff von Hamburg nach Regensburg 7 Wasserstraßen Ca. 1400 km 60 Schleusen DAUER? 18
ÜBERTRAGUNG AUF EINEN LOGISTIKPROZESS Kapitän (Bauchgefühl): 10 Tage Beeinflussung durch äußere Ereignisse Wetter, Strömung, Unfälle, etc. Informationen existieren, teilweise erst nach dem Start! Strukturiert / unstrukturiert Verschiedene Quellen und Formate Reaktion auf vorhergesagte Verzögerung: Entscheidungen! Weiterfahren Ware umladen Empfänger informieren Lagerkapazität anpassen Usw. 19
TO DO Welche Daten entstehen in meinem Prozess? Was geschieht mit diesen Daten? Welches geschäftliche Problem möchte ich lösen? Dann kann ich Annahmen formulieren Daten aufbereiten Annahmen prüfen / akzeptieren / verwerfen Prozesse zur Verbesserung etablieren 20
VIELEN DANK FÜR IHRE AUFMERKSAMKEIT STEFAN HELD SOFTWARE-ARCHITEKT TEL: 0234-29845-4534 MOBIL: 0171-8629084 EMAIL: S.HELD@PROFI-AG.DE