Использование моделирования данных для оптимизации процессов инженерных закупок

Что такое моделирование данных при закупках?

Моделирование данных - это процесс создания концептуальной, логической и физической структуры, которая определяет, как данные хранятся, связаны и доступны в системе. В контексте инженерных закупок модель данных захватывает ключевые объекты - такие как поставщики, заказы на закупки, статьи поставок, контракты, проекты и инвентарь - и определяет отношения между ними. Например, заказ на покупку может быть связан с конкретным поставщиком, одним или несколькими статьями расходов и бюджетом проекта.

Модели данных обычно проходят через три уровня абстракции:

• Концептуальная модель данных: Представление высокого уровня, которое определяет основные бизнес-субъекты и их широкие отношения, часто используемые для общения с заинтересованными сторонами.
• Логическая модель данных: Более подробное представление, которое определяет атрибуты каждого объекта, характер отношений (один ко многим, много ко многим) и бизнес-правила — еще не рассматривая реализацию базы данных.
• Физико-датационная модель: Действительная схема базы данных, включая таблицы, столбцы, ключи, индексы и ограничения, оптимизирована для производительности и хранения.

В закупках хорошо построенная логическая модель данных может служить в качестве плана для создания или настройки программного обеспечения для закупок, автоматизации рабочих процессов и интеграции с системами планирования ресурсов предприятия (ERP). Без этой основы данные имеют тенденцию быть изолированными, непоследовательными и трудными для надежного запроса. Узнайте больше об основах моделирования данных от IBM .

Ключевые преимущества моделирования данных для инженерных закупок

Принятие моделирований данных в процессе закупок дает измеримые преимущества, выходящие за рамки простой организации данных. Каждое преимущество способствует более эффективной, надежной и масштабируемой операции по закупкам.

Улучшенная точность и последовательность данных

Когда структуры данных формально определены, существуют четкие правила ввода, хранения и проверки информации. Например, организация, заказавшая покупку, может обеспечить наличие действительного идентификатора поставщика, предотвращая фиктивные записи. Это уменьшает ошибки ввода данных вручную, устраняет дублирующие записи и гарантирует, что все команды работают с одной и той же версией правды. Последовательные данные на протяжении всего жизненного цикла закупок - от запроса до сопоставления счетов - минимизирует переработку и дорогостоящие ошибки.

Усовершенствованное принятие решений с надежными данными

Решения о закупках в области инженерных разработок часто включают балансирование затрат, качества и сроков поставки. При использовании надежной модели данных аналитики и менеджеры могут запрашивать надежные данные для выявления тенденций, таких как производительность поставщиков с течением времени или среднее время выполнения критических компонентов. Точные модели данных также позволяют проводить прогнозную аналитику и планирование сценариев «что-если». Например, модель, которая связывает этапы проекта с этапами закупок, может отмечать потенциальные задержки до их возникновения. Исследуйте передовые практики цепочки поставок APICS , чтобы увидеть, как качество данных лежит в основе передовой аналитики.

Оптимизированные процессы и потенциал автоматизации

Хорошо определенные отношения данных являются основой автоматизированных рабочих процессов закупок. При создании нового запроса на покупку модель данных может автоматически направлять его к правильному утверждению на основе проекта, бюджета и поставщика. Аналогичным образом, точки переупорядочения запасов могут быть рассчитаны на основе исторических данных об использовании, хранящихся в модели. Автоматизация сокращает время цикла, освобождает персонал по закупкам для стратегических задач и снижает эксплуатационные расходы. Многие современные платформы закупок полагаются на формальную модель данных, чтобы надежно запустить эти рабочие процессы.

Лучшее кросс-функциональное сотрудничество

Инженерные закупки включают команды из закупок, инженерии, финансов и управления проектами. Каждый отдел имеет свои собственные потребности в данных и перспективы. Общая модель данных обеспечивает общий язык и единый источник истины. Например, инженерные могут определять технические требования в качестве атрибутов на линейном элементе, в то время как финансы могут отслеживать бюджетные ассигнования на заказ на покупку. Это выравнивание уменьшает недоразумения и ускоряет циклы утверждения.

Когда все доверяют данным, сотрудничество становится более продуктивным и менее чревато ручной сверкой.

Внедрение модели данных для закупок

Для построения модели данных, которая действительно упрощает закупки, требуется структурированный, поэтапный подход. Следующие шаги определяют проверенную методологию.

Идентификация основных субъектов данных

Начните с перечисления ключевых бизнес-объектов, которыми управляет ваш процесс закупок. Типичные организации включают:

• Поставщик: Название компании, контактные данные, сертификаты, рейтинг эффективности.
• Заказ на покупку: Номер PO, дата, статус, общая сумма, покупатель.
• Line Item: Описание товара, количество, цена единицы, ожидаемая дата поставки.
• Договор: Идентификатор договора, условия, дата начала/конца, регулирующие ценообразование.
• Проект: Идентификатор проекта, бюджет, сроки, выделенные материалы.
• Инвентарь: Единица хранения запасов (SKU), местоположение, количество на руках.

Вовлечение заинтересованных сторон из инженерных, закупочных и финансовых организаций для обеспечения того, чтобы все соответствующие организации были захвачены. Этот шаг закладывает основу для всеобъемлющей модели данных.

Определение отношений и атрибутов сущности

После того, как сущности идентифицированы, определить, как они относятся друг к другу. Общие отношения включают:

• Поставщик может выполнить множество заказов на покупку (от одного до многих).
• Заказ на покупку содержит много линейных предметов (от одного до многих).
• В пункте строки может содержаться ссылка на конкретный контракт (много-к-одному).
• Проект может иметь несколько заказов на покупку, выделенных ему (один ко многим).

Для каждого объекта идентифицируйте его основные атрибуты (колонки). Например, заказ на покупку может иметь такие атрибуты, как PO дата, адрес доставки, условия оплаты, и статус . Убедитесь, что каждый атрибут имеет четкий тип данных (текст, дата, номер) и правила проверки для поддержания согласованности. Диаграмма логической модели данных (например, диаграмма отношений объекта) здесь неоценима для визуализации связей и выявления отсутствующих отношений.

Создание визуальных диаграмм данных

Инструменты визуализации, такие как диаграммы ER, помогают передавать модель данных техническим и нетехническим заинтересованным сторонам. Эти диаграммы показывают объекты как коробки, атрибуты как списки в этих коробках и отношения как линии, соединяющие их. Использование такого инструмента, как Lucidchart, draw.io или инструменты, специфичные для базы данных, может облегчить обзор и доработку модели. Вовлекайте архитекторов баз данных и бизнес-аналитиков на этом этапе, чтобы гарантировать, что модель технически обоснована и согласована с бизнес-потребностями. См. всеобъемлющее руководство по диаграммам ER от Lucidchart .

Интеграция с существующими системами

Модель данных приносит пользу только в том случае, если она может быть реализована в технологическом стеке вашей организации. Большинство инженерных фирм уже используют ERP-систему (SAP, Oracle, Microsoft Dynamics) или специализированную платформу закупок. Модель данных должна быть отображена на существующие таблицы, поля и структуры данных. Это может включать в себя создание новых таблиц баз данных, расширение существующих или настройку безголовой CMS, такой как Directus, для представления модели в виде пользовательских коллекций и отношений. Убедитесь, что модель поддерживает импорт / экспорт данных и интеграцию API, где это необходимо.

Миграция данных из устаревших систем должна включать очистку и преобразование в соответствии с новой моделью.

Установление системы управления и обслуживания

Модель данных не является одноразовым артефактом. По мере развития процессов закупок модель должна обновляться. Установить структуру управления, которая определяет, кто владеет каждым субъектом, как предлагаются и утверждаются изменения и как поддерживается модельная документация. Регулярные проверки качества данных по сравнению с моделью могут выявить несоответствия на ранней стадии. Рассмотрите возможность использования инструментов моделирования данных, которые контролируют вашу схему и позволяют откат.

Техническое обслуживание также включает обучение персонала правильным методам ввода данных, которые согласуются с ограничениями модели.

Общие проблемы и как их преодолеть

Внедрение модели данных о закупках не лишено препятствий. Признание этих проблем заранее помогает смягчить их.

• Данные Silos: Многие организации имеют данные о закупках, распределенные по электронным таблицам, электронным письмам и разрозненным системам. Для объединения, вложения времени в обнаружение данных и установления единого источника истины. Используйте процессы ETL (извлечение, преобразование, загрузка) для очистки и консолидации данных в модель.
• Сопротивление заинтересованных сторон: Команды могут неохотно принимать новые стандарты данных. Вовлекайте ранних пользователей и демонстрируйте быстрые победы — такие как сокращение времени для создания отчетов. Управление изменениями и учебные программы необходимы.
• Перегрузка сложности: Попытка смоделировать все возможные атрибуты заранее приводит к раздутой, неуправляемой схеме. Начните с минимально жизнеспособной модели, которая охватывает основные сущности и критические отношения, а затем расширяйте итеративно на основе обратной связи с пользователем.
• Отсутствие качества данных: Даже лучшая модель данных бесполезна, если базовые данные являются мусором. Правила проверки данных Института в точке ввода и графика регулярных проверок качества данных. Сделайте очистку данных непрерывным процессом.

Лучшие практики эффективного моделирования данных при закупках

Следуйте этим рекомендациям, чтобы ваша модель данных оставалась практичной и эффективной.

• Начните с простого, затем уточните: Сначала сосредоточьтесь на объектах с самой высокой стоимостью. Добавьте больше детализации только по мере необходимости. Это позволяет избежать паралича анализа и быстрее доставляет рабочую модель.
• Привлеките экспертов по доменам: Менеджеры и инженеры по закупкам лучше понимают нюансы данных, чем только ИТ. Включите их ввод для сбора правильных бизнес-правил и крайних случаев.
• Использовать стандартизированные конвенции о наименовании: Последовательные, описательные названия для объектов и атрибутов улучшают ясность и уменьшают путаницу. Например, использовать purchase order id, а не PO ID или OrdNum.
• Документация Все: Сохраняйте современный словарь данных, который описывает каждую сущность, ее атрибуты и отношения. Эта документация имеет решающее значение для адаптации новых членов команды и поддержки будущих изменений.
• Разработка для интеграции: Модель данных должна быть легкой для подключения к другим системам (ERP, PLM, управление проектами). Используйте стандартные идентификаторы (например, UUID) и избегайте жестко закодированных зависимостей.

Влияние на реальный мир: тематическое исследование в области инженерных закупок

Среднеразмерная инжиниринговая фирма, которая проектирует и производит оборудование для промышленной автоматизации, боролась с неэффективностью закупок. Их унаследованный процесс опирался на сочетание электронных таблиц Excel, утверждений электронной почты и отключенного модуля ERP. Несоответствия данных вызывали частые задержки: заказы на покупку часто отсутствовали идентификаторы поставщиков, линейные элементы не имели связи с проектом и инвентарные записи противоречили физическим подсчетам. Обработка одного PO занимала в среднем 4,5 дня.

Они решили внедрить логическую модель данных с использованием безголовой CMS (Directus) для создания единого уровня данных о закупках. Модель определила основные субъекты: поставщики, заказы на закупки, статьи, проекты и инвентарь. Отношения были навязаны на уровне базы данных - например, элемент строки может быть назначен только для существующего PO и проекта. Правила автоматической проверки помечали недостающие данные во время ввода запроса, а триггеры рабочего процесса отправляли одобрения на основе пороговых значений бюджета проекта.

В течение шести месяцев фирма сообщила о сокращении на 30% времени обработки заявок (с 4,5 дней до чуть более 3 дней). Ошибки ввода данных сократились более чем на 50%, а время, затрачиваемое на согласование заказов на закупку с бюджетами проектов, значительно сократилось. Модель также позволила использовать панели приборов в реальном времени, что позволило руководству выявить узкие места в закупках и производительность поставщиков. Успех был во многом обусловлен ясностью и согласованностью, введенными в модель данных.

Будущие тенденции: ИИ, IoT и модели данных в реальном времени

Роль моделирования данных в закупках развивается. По мере того, как организации внедряют ИИ для прогнозирования спроса и выбора поставщиков, базовая модель данных должна поддерживать вводы машинного обучения, требуя высококачественных исторических данных и четко определенных функций. Аналогичным образом, Интернет вещей (IoT) позволяет в режиме реального времени отслеживать условия запасов и отгрузки. Модели данных должны будут учитывать потоковые данные, атрибуты временных рядов и отношения, основанные на событиях. Другой тенденцией является переход к ячейке данных ] архитектурам, где каждая область (закупки, инженерия) владеет своей моделью данных, но делится ею через стандартизированные API.

Эти разработки подчеркивают важность построения гибкой, расширяемой модели данных сегодня, которая может адаптироваться к требованиям завтрашнего дня.

Заключение

Моделирование данных является основополагающей практикой, которая превращает инженерные закупки из хаотического, подверженного ошибкам процесса в рационализированную, основанную на данных операцию. Четко определяя организации, отношения и правила, организации получают точность данных, расширенные возможности принятия решений, автоматизацию и более сильное межфункциональное сотрудничество. Реализация требует тщательного планирования, участия заинтересованных сторон и постоянного обслуживания, но долгосрочные выгоды - включая сокращение времени цикла, более низкие затраты и более высокую надежность данных - намного перевешивают инвестиции. Поскольку закупки продолжают оцифровывать, надежная модель данных будет служить основой для инноваций и эффективности. Инженерные фирмы, которые инвестируют в моделирование данных сегодня, будут лучше расположены для решения сложностей завтрашней цепочки поставок.