Mühendislik tedarik süreçleri, çoğu zaman birden fazla paydaş, farklı veri kaynakları ve karmaşık onay iş akışları ile ilgilidir. Satın alma siparişlerini, tedarikçi sözleşmelerini, envanter seviyelerini ve proje gereksinimlerinin aynı anda tedarik işlemleri oluşturabileceği verileri kullanarak, tedarik raporlarının açık, yapılandırılmış bir şekilde temsil edilmesi ve geliştirmesi için güçlü bir yaklaşımdır.Bu engelleyicinin geliştirilmesi, doğrulanması ve daha akıllı karar vermenin sağlanması.Bu makaledeki gerçek dünyaca uygulanması için sistematik bir yöntem.

Procurement'da Data Modeling nedir?

Veri modellemesi, tedarikçiler, satın alma siparişleri, satır eşyaları, sözleşmeler, projeler ve envanter oluşturma sürecidir ve belirli bir tedarikçi, bir veya daha fazla hat eşyası ile bir proje bütçesiyle bağlantılı olabilir.

Veri modelleri genellikle üç soyutlama seviyesi ile ilerlemektedir:

  • [FONT=0)Conceptual Data Model:[Dönetici:[Dönetici:0)[Döneticileri ve geniş ilişkilerini tanımlayan yüksek seviyeli bir bakış açısı, genellikle paydaşları ile iletişim için kullanılır.
  • [FONT=0)Logical Data Model:[Dönetici:[Dönetici:0)[FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=0)Logical Data Model:[FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=TRNT=FONT=FONT=FONT=FONT=FONT=FONT=
  • [FONT:0)Physical Data Model:[Dönetici:[Dönetici:0) Gerçek veritabanı şemaları, sütunlar, anahtarlar, indeksler ve kısıtlamalar dahil olmak üzere, performans ve depolama için optimize edilmiştir.

Satın almada, iyi yapılandırılmış mantıksal veri modeli, bina için mavi bir baskı olarak hizmet edebilir veya satın alma yazılımının oluşturulması, IBM[FLT) ile otomatikleştirilmesi ve bu temel olmadan, veriler ayrıştırılır, tutarsız ve güvenilir bir şekilde sorgulanabilir.FLT:0).

Mühendislik Satın Alması için Veri Modellemenin Anahtar Faydaları

Satın almada veri modellemesi basit veri organizasyonunun ötesine geçen ölçülebilir avantajlar sunar. Her fayda daha verimli, güvenilir ve ölçeklenebilir bir tedarik işlemine katkıda bulunur.

Geliştirilmiş Veri Analizi ve Konistency

Veri yapıları resmi olarak tanımlanırken, bilgi girildiği, depolandığı ve doğrulanan bir şekilde, satın alma siparişi varlığın, geçerli bir tedarikçi kimliklerinin var olması, yetim kayıtlarını engellemesi ve manuel veri girişi hatalarının ortadan kaldırılması, tüm ekiplerin satın alma yaşam döngüsündeki aynı versiyondan çalıştığının açık kurallar vardır.

Güven Değerli Veriye Sahip Olan Gelişmiş Kararlar

Mühendislik satın alma kararları genellikle maliyet, kalite ve teslimat zamanlarını içerir. Sağlam bir veri modeli ile analistler ve yöneticiler, zaman içinde tedarikçi performansı gibi veya ortalama liderlik süresi gibi güvenilir verileri ortaya çıkarabilirler.Döneticileri doğru veriler modelleri de tahmin edilebilir analizler ve hangi senaryo planlamayı sağlar. Örneğin, proje kilometre taşları satın almak için bir model ortaya çıkabilir. ”Ücretsiz potansiyel gecikmeler oluşturabilirler.

Akışkan Süreçler ve Otomasyon Potansiyel

Yeni bir satın alma işlemi oluşturulduktan sonra, proje, bütçe ve tedarikçiye dayalı doğru onaylayıcıya otomatik olarak yol açabilir. Benzer şekilde, envanter reorder puanları modelde depolanan tarihsel kullanım verilerinden hesaplanabilir. Otomasyon, zamanlarını azaltır ve operasyonel maliyetler için ücretsiz olarak satın alınabilir.Birçok modern tedarik platformu bu iş akışlarını güvenilir bir şekilde tetikleyebilmek için resmi bir veri modeline güvenebilir.

Daha İyi Cross-Functional İşbirliği

Mühendislik tedariki, mühendislik, finans ve proje yönetimi ekipleri içerir. Her bölüm kendi veri ihtiyaçlarını ve perspektiflerini azaltır. Paylaşılan bir veri modeli, ortak bir dil ve tek gerçek kaynağı sağlar. Örneğin, mühendislik, satın alma emrinde teknik gereksinimleri belirtebilirken, finanse edilebilir.Bu uyum yanlış anlamaları azaltır ve onay döngüleri hızlandırır.

Satın almak için bir Data Model for Procurement

Gerçekten tedarik eden bir veri modeli inşa etmek, yapılandırılmış, fazlı bir yaklaşım gerektirir. Aşağıdaki adımlar kanıtlanmış bir metodolojiyi özetler.

Core Data Entities Tanımlama

Satın aldığınız işleminizin yönettiği anahtar iş nesneleri listelemeye başlayın. Tipik varlıklar şunları içerir:

  • [[Dönetici: [FONT:0) Madde[Dönetici:[Dönetici:0) Madde:[Dönetici:[Dönetici:[Dönetici:) Şirket adı, iletişim detayları, sertifikalar, performans puanı.
  • [FONT:0]Purchase Order:[Dönetici:[Dönetici: 1 ) PO numarası, tarih, statü, toplam miktar, alıcı.
  • [[Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dön|Dönlütücük|Dönlüm|Dönlüm|Düzücük|Dönlüm|s/kürümlülük|s/kümlülük)
  • [FONT:0)Kontrat:[Dönetici:[Dönetici:0) Sözleşme ID, terimler, başlangıç / bitiş tarihi, fiyatlandırma.
  • [FONT:0)Proje: [Dönetici: 0,8|Dönemli Proje ID, bütçe, zaman çizelgesi, ayrılan malzemeler.
  • [FONT=0)Inventory:[Dönetici:[Dönetici:[Dönetici:)) Borsada yer alan, el üzerine miktar.

Mühendislik, satın alma ve tüm ilgili varlıkların yakalanmasını sağlamak için paydaşların katıldığı bu adım, kapsamlı bir veri modeli için zemin işi yatıyor.

Entity İlişkileri ve Attributes

Bir zamanlar varlık tespit edilir, birbiriyle nasıl ilişkili olduklarını tanımlar: Ortak ilişkiler şunları içerir:

  • Bir tedarikçi birçok satın alma siparişini yerine getirebilir (bir-to-many).
  • Bir satın alma siparişi birçok çizgi öğe içerir (bir-to-many).
  • Bir çizgi öğe belirli bir sözleşmeye atıfta bulunabilir (many-to-one).
  • Bir proje ona tahsis edilen birden fazla satın alma emrine sahip olabilir (bir-to-many).

Her varlık için, temel özelliklerini (columns) tanımlamak için, bir satın alma emrinin, arancýn gibi özellikleri olabilir.0)Putsal tarih, teslimat adresi, ödeme koşulları,) ve [[Döneticileri/[Dönlendirme diyagramı) burada, her özelliğin açık bir veri tipine sahip olmasını sağlamak.

Görsel Data Diagrams oluşturmak

ER diagramları gibi görselleştirme araçları, veri modelini teknik ve teknik olmayan paydaşları ile iletişim kurmaya yardımcı olur. Bu diyagramlar, bu kutularda listeler olarak gösterir ve bunları birbirine bağlayan çizgiler olarak tanımlanır. Lucidchart gibi bir araç kullanarak, çiz.io, veya veritabanına özgü araçlar modeli daha kolay yorum ve rafineri veritabanı mimarları ve iş analistleri bu adımda analiz edebilir.

Mevcut sistemlerle bütünleşme

Bir veri modeli sadece organizasyonunuzun teknoloji yığını içinde uygulanabilirse değer verir. Çoğu mühendislik firması zaten modeli özel koleksiyonlar ve ilişkiler olarak temsil etmek için bir yönetici CMS sistemi (SAP, Oracle, Microsoft Dynamics) veya özel bir tedarik platformu olarak kullanır. Veriler modeli mevcut tablolara, alanlara ve veri yapılarına haritalanmalıdır. Bu, yeni veritabanı masalarına girmek için yeni bir veritabanı masaları genişletmek veya dönüştürmeyi içerebilir.

Yönetme ve Bakım

Bir veri modeli bir tek zamanlı sanattır. Satın alma süreçleri geliştikçe, model güncellenmelidir.Her bir varlık sahibi olan bir yönetişim çerçevesi oluşturmak, modelin nasıl muhafaza edildiği ve nasıl yapıldığıyla ilgili modelin denetimleri.Sekizleme işlemlerinin ilk olarak, şemanızı kontrol eden ve geri yükleme araçları kullanarak kontrol altına alın. Bakım ayrıca doğru veri giriş uygulamaları hakkında eğitim personeli içerir.

Ortak meydan okumalar ve Nasıl Overcome Them

Bir satın alma veri modelini uygulamak engeller olmadan değildir. Bu zorlukların tanınması onları azaltmaya yardımcı olur.

  • [FONT:0]Data Silos:[Dönetici:[Dönetici] Birçok kuruluş, veri toplama, e-posta ve parasal sistemlere yayılmıştır. Doğrulama, veri keşfi ve tek bir gerçek kaynağı oluşturma konusunda zaman yatırım yapmak. ETL (extract, dönüşüm, yük) işlemlerinin modeli temiz ve konsolide etmek için.
  • [FONT:0]Stakeholder Direnişi:[Döneticiler yeni veri standartlarını benimsemeye isteksiz olabilir. Yeni veri standartlarını benimsemeye ve hızlı bir şekilde kazanmaları gibi - rapor oluşturma süresini azaltın. Change management and training programs are essential.
  • [FONTD:0)Complexity Overload:[Dönetici: 0 ) Her olası özelliği modellemeye çalışmak, sarışın bir şemaya yol açar. Temel varlıkları ve eleştirel ilişkileri kapsayan en az uygulanabilir bir modelle başlayın, sonra kullanıcı geri bildirimine dayalı olarak genişletin.
  • [FONT=0]Lack of Data Quality:[Dönetici:[Dönetici:0)En iyi veri modeli bile çöptür. Enstitü veri doğrulama kuralları giriş ve düzenli veri kalitesi kontrolleri için geçerlidir.

Procurement'de Etkili Veri Modelleme için En İyi Uygulamalar

Veri modelinizin pratik ve etkili olmasını sağlamak için bu yönergeleri izleyin.

  • [FONT:0) Basit Başlayın, Sonra Refine:[Dönetici: 1 ) İlk önce en yüksek değerli varlıklara odaklanın. Sadece ihtiyaç duyulan gibi daha fazla granularite ekleyin. Bu, analiz parizini önler ve daha hızlı bir çalışma modeli sunar.
  • [FONT:0)Involve Domain Uzmanlar:[Döneticiler ve mühendisler, veri nüanslarını yalnızca IT'den daha iyi anlıyorlar. Doğru iş kurallarını ve kenar vakalarını yakalamak için girişlerini hazırlamaktadırlar.
  • [FONT:0) Standartlaştırılmış Naming Konvansiyonları Kullanımı: [DÜDÜDÜSÜŞÜNCÜŞÜNİVERSİTESİ, “Üye Olmayanlar ve niteliklerin açıklanması ve karışıklıkları azaltmak için.
  • [FONT:0] Her şeyi garanti eder:[Dönetici:0) Her bir varlık, nitelikleri ve ilişkileri açıklayan güncel bir veri sözlüğü tutar. Bu belge yeni ekip üyeleri ve gelecekteki değişiklikleri desteklemek için kritiktir.
  • [FONT=0) Uygulama:[Dönetici:[Dönetici: 0 3) Veri modeli diğer sistemlerle bağlantı kurmak kolay olmalıdır (ERP, PLM, proje yönetimi). Standart tanımlayıcılar kullanın (örneğin, UUUIDs) ve zor kodlanmış bağımlılıklardan kaçın.

Gerçek Dünya Etkisi: Mühendislik Satın Almasında Bir Vaka Çalışması

Orta büyüklükte bir mühendislik firması, tasarım ve endüstriyel otomasyon ekipmanlarının tedarik verimsizliği ile mücadele ettiği orta ölçekli bir mühendislik firması, Excel spreads, e-posta onayları ve bir kapanışlı ERP modülünün bir araya gelmesiyle karşı karşıya kaldı: Satın alma siparişleri genellikle tedarikçi kimlikleri, hat eşyalarının fiziksel olarak eksik olması ve envanter çatışmaları tek bir şekilde yapılır.

Bir kafasız CMS (Directus) kullanarak mantıksal bir veri modelini, birleşik bir tedarik veri katmanı oluşturmaya karar verdiler: Model tanımlanmış temel varlıklar: tedarikçiler, satın alma siparişleri, proje ve envanter. İlişkilerler veritabanı seviyesinde uygulandı - örneğin, bir satır eşyası yalnızca mevcut bir PO ve projeye hazırlanabilir. Otomatik doğrulama kuralları, iade sırasındaki onaylanmış veri protokolleri ve iş akışları proje eşiği, proje bütçe eşlerine dayanan onayları tetikledi.

Altı ay içinde, firma PO işleme zamanında% 30 indirim bildirdi (sadece 3 gün içinde 4.5 gün boyunca) Data girişi hataları% 50'den fazla düştü ve proje bütçeleriyle satın alma siparişlerini tekrarladı. Model aynı zamanda, yönetim görünürlüğüne şişen ve tedarikçi performansına ilişkin gerçek zamanlı paniğe da olanak sağladı.

Future Trends: AI, IoT ve Real-Time Data Models

Satın almada veri modellemesinin rolü gelişmektedir. Organizasyonlar, tahmin ve tedarikçi seçimi talep etmek için AI'yı kabul ediyor, temel veri modeli, makine öğrenme girdilerini desteklemeli - yüksek kaliteli tarihsel veriler ve iyi tanımlanmış özellikler. Benzer şekilde, her alan (IoT) gerçek zamanlı olarak envanter ve nakliye koşullarını takip etmek için AI'yı alır. Data modellerinin veri kümesi özelliklerini kullanmaları gerekir, zaman odaklı ilişkiler.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Veri modelleme, mühendislik satın almalarını kaotik, hata-prone işlemi bir aerod, veri odaklı bir operasyon haline getiren temel bir uygulamadır.Açıkçası varlıklar, ilişkiler ve kurallar, organizasyonlar veri doğruluğunu kazanır, geliştirilmiş karar verme, otomasyon yetenekleri ve daha güçlü bir çapraz işlev işbirliği gerektirir. Uygulama, dikkatli bir planlama gerektirir, sahiplenme ve devam eden bakım gerektirir, ancak uzun vadeli faydalar sağlar - daha düşük maliyet ve daha yüksek veri güvenilirliği - finansal olarak yatırıma devam ettikçe - tedarik etmek, dijitalleşmeye devam eder.