Data-Driven Engineering Change'in Imperative of Data-Driven Engineering Change

Mühendislik değişim süreçleri - ürün tasarımlarını değiştirmek için yapılandırılmış yöntemler, üretim adımları veya materyaller - donanım geliştirmede sürekli gelişmenin yaşam kan damarı.Ancak, birçok kuruluşta, bu süreçler reaktif, kağıt-heavy kalır ve bu kalibreleri üretime, boyamaya ve kaçıran piyasa pencerelerine kadar geciktirir.

Değişim sadece panolar eklemekle ilgili değildir - kararların nasıl yapıldığını yeniden düşünmek gerekir. Kabile bilgi veya yayılma tablolarına güvenmek yerine, mühendisler, uygulanmadan önce bayrak yüksek riskli değişiklikleri tahmin edebilir.Bu makale, ECM iş akışınıza analitikleri genişletmek, atıkları kesmek ve inovasyonu artırmak isteyen liderler için bir yol haritası sunabilir.

Mühendislikteki Veri Peyzajını Anlamak

Her mühendislik değişikliği dijital ayak izi yaratır: PLM sistemlerindeki tarihleri revizyon, onay iş akışlarında yorum iplikleri, test sonuçları ve hatta e-posta izlerini sürekli olarak tanıtır.Bu veriler yalnızca hikayenin bir bölümünü anlatır.Aggregating and analyze their pattern – as which part family trigger the most rework, which permission processes create the latest şişenecks, or which tedarikçiler consistent introduce.

  • [FONT:0) Ürün Yaşam döngüsü Yönetimi (PLM) sistemleri) - malzeme faturası (BOM) revizyonları, değişim talepleri ve onay süreleri.
  • [FONT:0)Kalite yönetim sistemleri (QMS))[Dönetici raporları, doğrulayıcı eylemler ve kök- neden analizler.
  • [FONT:0)Manufacturing execution sistemleri (MES)) - üretim verimleri, kazı oranları ve döngü süreleri bir değişiklikten sonra.
  • [FONT:0) Nesnelerin İnterneti (IoT) sensörler) – ekipmandan gerçek zamanlı operasyonel veriler ve ürünleri bitir.
  • [FONT=0)Conserv portallar[[Dönetici: 1) satıcı sapma talepleri ve malzeme sertifikasyonları.

Bu kaynakları birleşik bir analitik ortama bağlantı kurmak - bir AMAFLT:0)data depo) veya aENFLT:2))-)-bağışlamaların temelini çoğunlukla çatışma ile sona erdirmek için teşvik eder.

ECM'de gömülü Ana Sayfanın Anahtar Faydaları

Analizin gerçek değeri toplanan verilerin hacminde değil, bilgilendirmelerde bulunur. Aşağıda, beton mekanizmaları tarafından desteklenen dört temel fayda vardır.

1. Daha Hızlı, Daha Doğru Karar-Making

Bir değişiklik talebi geldiğinde, paydaşların risklere karşı yararlar tartmalıdır - zaman baskı altında. Bir veri analizi platformu otomatik olarak tarihsel bağlamı sunabilir: iki yıl önce BOM maliyet rulolarından elde edilen benzer değişiklikler, geçmiş onay döngülerine göre tahmin edilebilir ve tahmin edilebilir bir program gecikmeleri tahmin edilebilir.[Döneticisel bir tartışma) Örneğin, bir ekip, bir materyal alt kuruma göre iki yıl önce benzer bir alt yerleştirmeyi düşünen bir ekip, üç ay boyunca% 12 scrap artış gösterdi.D:0Decision hız geliştirir)Decision)

2. Çıkış Times ve Şişenck Tanımlama

Birçok mühendislik değişikliği süreçleri görünmez kuyruklardan muzdariptir: Bir değişiklik isteği haftalar boyunca bir mühendisin kutusunda oturur veya bir inceleme kurulu, gerçek iş akışlarını (her aşamadaki ana-ve-ve-sonrası, ön-veçerleri, veya kırmızıdan çıkarma adımlarını kullanarak) gerçek iş akışlarını görselleştirebilir.

3. Tahmin edici Uyarılar aracılığıyla gelişmiş Kalite Kontrolü

Kalite kusurları genellikle yeterli geçerlilik olmadan uygulanan mühendislik değişikliklerine geri döndü.Değişim özellikleri arasındaki tarihsel korelasyonları analiz ederek (örneğin, karmaşık puan, etkilenen kısımlar, tedarikçi katılımı) ve sonraki kusur oranları, tahmin edici bir model bir şekilde akanıklık iddiasını azaltılabilir. ”risk puanı”) her yeni değişiklik talebine göre, yüksek riskli değişiklikler onay vermeden karmaşık ortamlara yollanabilir.Bu proaktif yaklaşım ve garanti tahmin edilebilir.

4. Uygun Maliyet Tasarrufları ve Kaynak Optimizasyonu

Her gereksiz değişiklik - veya başka bir şeyle gruplandırılabilecek bir değişiklik - her değişimin toplam maliyetini takip ederek (projeksiyon, kazı ve doğrulama) Organizasyonlar, belirlenen veya iptal edilen düşük değerli değişiklikleri tespit edebilir.

ECM için bir Data Analytics Roadmap inşa edin

Mühendislik değişim sürecinde veri analizi uygulamak tek zamanlı bir yazılım kurulumu değildir - sürekli bir yetenek inşa egzersizdir. aşağıdaki çerçeve temel aşamaları özetliyor.

Aşama 1: Veri Yönetimi ve Koleksiyon

Her şeyi analiz etmeden önce, veri parametrelerinden elde edilen verilerin temiz, tutarlı ve erişilebilir olmasını sağlayın. Yaygın veri tanımları (örneğin, “değişim talebi” vs. bir “değişim düzeni”), API veya ETL boru hatları aracılığıyla mülkiyet tayin eder. Anahtar alanları yakalamak için:

  • Değişim talebi ID, tarihi, kaynaklayıcı
  • Kısm sayıları ve BOM seviyelerini Etkiledi
  • Sebep kodu (maliyet azaltma, tasarım iyileştirme, tedarikçi sorunu vb.)
  • Her adımda onay süreleri
  • Gerçek uygulama tarihi ve değişim sonrası performans ölçümleri

[FONT:0] Merkezileştirilmiş repository[[Dönetici:0)Invest in a centralized repository[[Dönetici:0)[[[Dönetici:0))))))) Amazon Redchange, Snowflake veya PLM sisteminizdeki özel bir analitik modül.

2. Aşama 2: Descriptive and Tanı Analytics

Kayıt: 0:0)törüntü analizi[Dönetici: [Dönetici:0]) “Ne oldu?” – Zaman içinde değişen panjurlar ve bölüm tarafından ortalama zaman, bölüm tarafından ortalama zaman aralığı ve ortak başarısızlık modları ile başlayan değişiklikler, daha sonra da işe yarayabilirler.() hafta sonu yapılan düzeltmeler nedeniyle bu bilgiler tek başına doğrulanabilir.

3. Aşama 3: Tahmin edici ve Prescriptive Analytics

Yeterli bir tarihsel veri kümesine sahipseniz (tipik olarak 12-18 ay temiz kayıt), regresyon veya makine öğrenme sınıflandırması kullanarak tahmin edici modeller geliştirir. Tahmini sonuçlar:

  • Belirli bir değişim türü için aşırı programlanabilirliği
  • Kaliteli bir kusuru tanıtmak için
  • Tahmin edilen maliyet etkisi erken göstergelere göre

[FONT:0)Öyleleyici analiz[[Dönetici] bir adım daha ileri sürer: Sistem, eylemleri önerir. Örneğin, “Bu değişikliği hızlandırılmış bir inceleme için, çünkü risk puanı düşük, 4 gün tasarruf eder” veya “üç tane daha fazla inceleme adımını ekleyebilir, çünkü bu değişiklik doğrudan ECM iş akışı arayüzüne gömülür.

Aşama 4: Sürekli İzleme ve Geri Bildirimli Halkalar

Analytics, belirli bir girişim değildir ve-for-it inisiyatifi.Aur-it-it-and-forget-it inisiyatifi oluşturun.A.FLT:0) Aylık inceleme kadroları[Döneticileri inceler: 1) Fonksiyonlar takımları analitik panoları inceler ve anomalileri tartışır. Update, önceki tahminleri düzenli olarak takip eder ve analizlerin doğruluğunu takip eder.

Overcoming Common Challenges

Açık faydalara rağmen, birçok kuruluş ECM analizlerinden değer fark etmek için mücadele eder. Bu tuzakların farkındalığı onları önlemenize yardımcı olabilir.

Data Quality and Incompleteness

Garbage in, çöpler üst bariyeri kalır. Eğer değişim nedeni kodları tutarsızca girdi (örneğin, “varlı” veya boş), sonuçları elde etmek için sorumlu olan bir veri kümesine göre, PLM sisteminizde zorunlu alanları korumak, ücretsiz metin yerine seçim listeleri sağlamak ve periyodik verileri denetlemek.

Transparency'e Karşı Direniş

Bazı takımlar, analizleri, düşük performansı ortaya koyan “Büyük Kardeş” bir araç olarak görebilirler.Bu, 03.D:0) Bir öğrenme imkanı olarak analiz edilebilir)., bir punklı ölçüm değil, sistemsel sorunları bireysel suçlamayı vurgulayan bir fikir oluşturun.

Skill Gaps ve Tool Kompleksi

Her mühendis SQL sorgularını yazmak veya makine öğrenme modellerini yapmak istemez. Kullanıcı dostu görsel analitik araçları (örneğin, Tablo, Microsoft Power BI), paydaşların verileri panolar aracılığıyla etkileşime girmesine izin verir.

Güvenlik ve Fikri Mülkiyet

Mühendislik verileri genellikle özel tasarımlar ve üretim bilgileri içerir. Merkezileştirilmiş bir analitik platformu uygularken, rol tabanlı erişim kontrollerini, veri şifrelemesini sağlar (hem geri kalanı hem de geçişte), ve denetim izlerini kontrol eder. Bulut tabanlı çözümler için, endüstri standartlarına uygun olarak onaylayın (örneğin, ISO 27001, SOC 2).

Gerçek Dünya Uygulamaları ve Vaka Örnekleri

Özel şirket isimleri gizlilik için ihmal edilirken, aşağıdaki anonim kullanım vakaları, analitikin ECM'ye uygulandığında mümkün olan şeyleri göstermektedir.

Vaka 1: Havacılıkta Overload Yeniden Dönüştürme

Bir tier-1 havacılık tedarikçisi ayda 400 mühendislik değişikliği üzerinde işlem yapıldı, düşük değerli “köpek değişiklikleri” (örneğin, çizim notunu güncellemek) tanımlayıcı analizleri kullanarak, rezervasyon yaptıran değişikliklerin% 60'ının test kurulu zamanı harcadığını keşfetti.

Vaka 2: Otomotiv Elektronikinde Kalite Başarısızlığı Tahmin Etmek

Bir otomotiv elektronik üreticisi tarihsel değişim verileri ve alan geri dönüş oranları kullanarak tahmin edici bir model inşa etti. Model, tedarikçi “X” ile ilgili değişikliklerin tedarikçiyi etkileyen ve güç yönetim devrelerini etkileme olasılığının 3x daha yüksek olduğunu tespit etti. Şirket bu kriterlere göre zorunlu simülasyon doğrulamasını ekledi.

Vaka 3: Tıbbi Cihaz Geliştirmede Hızlandırma Değişimi

Yeni bir ürün değişkeni için zaman pazarlamasını baskı altına almak için bir tıbbi cihaz şirketi gerekiyordu. ECM iş akışına başvuru yaparak, en takvim zamanını satın alma onay adımını mühendislik incelemesi değildi, ancak belge belgeleri ayrı bir ekip tarafından kabul edildi.

Veri bilimi olgunlaştığı gibi, birçok ortaya çıkan trend, mühendislik değişikliklerinin nasıl yönetildiğini daha da yeniden şekillendirecektir.

Dijital Twins ve Simülasyon Entegrasyon

Fiziksel prototipler için beklemek yerine, mühendisler, pahalı fiziksel testlere ihtiyaç duyan değişiklikleri değerlendirebilir. 0,0) Dijital ikiz) - ürünün veya üretim hattının sanal kopyası. ikizle entegre edilmiş Analytics, performans etkilerini çeşitli senaryolar altında tahmin edebilir, aksi takdirde pahalı fiziksel test gerektirecektir.

Doğal Dil İşleme (NLP) Değişim Açıklamaları için

Birçok değişiklik talebi yapılandırılmamış metin olarak kaydedilir. NLP algoritmaları otomatik olarak değişim neden kodları, anahtar gereksinimleri ve gerçek BOM değişiklikleri arasındaki bayrak tutar. Bu manuel veri girişi hataları azaltır ve metinsel veriler üzerinde zengin analiz sağlar.

Özerk Değişim Orkeasyon

Uzun vadede, organizasyonlar sadece eylemleri tavsiye etmeyen ve aynı zamanda belirli düşük riskli değişiklikleri otomatik olarak gerçekleştirebilecek olan ECM sistemlerini kendi optimize etmeye devam edebilir (örneğin, BOM'de standart bir bölüm numarası güncelleyebilir). Bu, sağlam korumalar ve denetim izlerini gerektirir, ancak rutin değişiklikler için dramatik verimlilik kazanımları sunar.

Ölçme Başarısı: Analytics Initiative için KPIs

ECM Analytics'teki yatırımınızın ödemesini sağlamak için, bu anahtar performans göstergeleri (KPIs) çeyrek olarak takip edin:

  • [FONT:0]Average değişim döngüsü süresi[[Döntgen: 1)[Uygulama isteğinden dolayı) -% 20-30% 12 ay içinde hedef indirim.
  • [FONT=0) İlk giriş onay oranı[Dönemli:0)[Dönlendirme olmadan onaylanmış değişiklikler oranı; daha yüksek.
  • [FONT:0]Risk tahmin doğruluk[[[Dönemli: 1), yüksek riskli bayraklar için tahmin edilen vs. gerçek sonuçları karşılaştırır.
  • [FONT:0)Cost kaçınma [[Dönetici: 1)) - Kalite sorunlarının önlenmesi veya gereksiz değişiklikler ortadan kaldırmak için tasarruf.
  • [FONT:0) Kullanıcı kabul oranı[[[Dönetici:0)[[Dönetici:0))[[[Döneticileri ve yöneticilerin yüzdesi haftada en az bir kez analitik panolar kullanan.

Bu KPI'ları organizasyonel momentumu korumak ve veri altyapısı ve eğitimde yatırım devam ettirmek için geniş ölçüde paylaşın.

Başlayın: Pratik Bir İlk Adım

Organizasyonunuz ECM analitikine yeniyse, son değişikliklerle bağlantılı olan tüm giriş sistemi inşa etmeye çalışmaz, minimum uygulanabilir bir paniğe sahip olun ve paydaşlarına daha önce bir analiz yapın.

Veri analizi mühendislik yargılaması için bir yedek değildir - giderek daha rekabetçi bir alanda yenilik getirerek, bir sonraki değişikliğinizi daha akıllı, daha hızlı ve daha güvenli hale getirebilirsiniz. Bu yeteneği benimseyen kuruluşlar sadece atıkları azaltamaz, aynı zamanda daha rekabetçi bir manzaraya yenilik yapamazlar.