تجزیه و تحلیل داده ها برای تولید: مطالعه موردی تسلا (قسمت 1)

اگر Tesla Motors برای دستیابی به هدف تهاجمی از ساخت 1 میلیون اتومبیل تا سال 2020 توسط مدیرعامل خود Elon Musk دست یابد ، تا حدودی به دلیل استفاده از تجزیه و تحلیل داده ها در عملیات تولیدی خود خواهد بود.

بررسی اجمالی

در ماه آوریل یک لحظه تاریخی برای صنعت خودرو هنگامی که تسلا به طور خلاصه به عنوان خودروساز با ارزش ترین ایالات متحده تبدیل شد ، مشخص شد. سرمایه بازار آن در 10 آوریل به 51 میلیارد دلار رسید و از 50 میلیارد دلار جنرال موتورز (GM) و 45 میلیارد دلار فورد فراتر رفت.

چرا سرمایه گذاران برای تولید کننده اتومبیل برقی الون مسک بیش از GM و فورد ارزش قائل هستند حتی اگر حجم فروش تسلا 2016 تنها 76000 وسیله نقلیه بود ، کسری از فورد (6. 6 میلیون) و جنرال موتورز (10 میلیون) ، و هنوز هم به رنگ قرمز است و ارسال می کند. ضرر خالص 675 میلیون دلار در سال گذشته؟

دید جسورانه ماسک برای آینده حمل و نقل ، که در آن همه وسایل نقلیه در نهایت همه برقی و کاملاً خودمختار خواهند بود ، مطمئناً نقش مهمی را ایفا می کند. به منظور تحقق این دیدگاه ، مدیرعامل الون مسک با توجه به ظرفیت تولید اهداف بلندپروازانه ای را برای تسلا تعیین کرده است.

در سال 2013 ، تسلا تقریباً حدود 20،000 سدان با اندازه کامل مدل ، اولین وسیله نقلیه تولید سری این شرکت را تحویل داد. 3 سال بعد ، نرخ تولید سالانه به 100000 رسید. و الون مسک قصد دارد تا سال 2018 500،000 وسیله نقلیه را تحویل دهد و تا سال 2020 1،000،000.

دسامبر گذشته ، شهر Fremont ، کالیفرنیا ، برنامه های تسلا را تصویب کرد تا اندازه کارخانه خود را در آنجا دو برابر کند. 420،000 متر مربع اضافی فضای تولید وجود خواهد داشت. و انتظار می رود تعداد کارگران از 6000 به 9000 افزایش یابد.

این گسترش گسترده بسیار مهم است زیرا خط تولید تسلا به سرعت در حال رشد است. قبل از سال 2015 ، کارخانه Fremont فقط مدل S را ساخت ، که بعداً توسط Model X SUV پیوست. تولید مدل 3 مقرون به صرفه تر قرار است اواخر امسال آغاز شود. در حال حاضر ، تسلا بیش از 370،000 پیش سفارش برای مدل 3 دریافت کرده است.

چنین رشد سریع تولید و اهداف تهاجمی بدون شک می تواند هرج و مرج زیادی ایجاد کند. و تسلا برای مهلت های از دست رفته غریبه نیست. به گفته وال استریت ژورنال ، این شرکت در 5 سال گذشته بیش از 20 بار پیش بینی های خود را برآورده نکرده است. به عنوان بخشی از تلاش مداوم برای اهلی کردن هرج و مرج و بهبود کارآیی تولید ، تسلا به نرم افزار پیشرفته تجزیه و تحلیل داده ها روی آورده است.

تجزیه و تحلیل داده ها برای تولید

داده های تولید تسلا در چندین سیستم کلیدی مختلف تغذیه می شوند. اولین مورد اصلی در MES (سیستم اجرای ساخت) است. این نرم افزار در اصل کنترل کننده ترافیک هوایی کل فرآیند تولید است. این می تواند یک مورد خاص را در خط مونتاژ در جایی که باید در آن قرار بگیرد ، بیان کند ، سفارشات تولید و مسائل مربوط به کیفیت را پیگیری کند و اندازه گیری های اساسی را جمع آوری کند. MES از پایگاه داده های Oracle/SQL Server استفاده می کند.

داده های آزمون عمیق تر و سفارشی در یک پایگاه داده تست جداگانه MySQL ذخیره می شود که توسط تیم Dev در خانه تسلا تهیه شده است. علاوه بر این ، از QuickBase با قابلیت وب نیز برای ردیابی تغییرات فرآیند و مشکلات کیفیت مداوم به دلیل انعطاف پذیری و سهولت استفاده استفاده می شود. و سرانجام ، صفحات گسترده اکسل برای گزارش های دستی یک طرفه استفاده می شود.

نه تنها داده ها به مکان های مختلف می روند بلکه باید به مخاطبان بسیار متنوعی نیز که علایق بسیار متفاوتی دارند ، خدمت کند. در حالی که افرادی که در تولید کار می کنند از محاسبه عملکرد و بازپرداخت مراقبت می کنند ، افراد در تجهیزات پایدار ممکن است به نگهداری پیشگیرانه اهمیت دهند و افراد در این فرآیند پایداری علاقه مند به تحقیقات علت اصلی هستند. بعضی اوقات ، مردم نمی دانند داده های مورد نیاز خود را از کجا بدست آورند.

"نابینایی به داده"

جدا از طیف گسترده ای از بانکهای اطلاعاتی و نیازهای گزارش داده ، ابزارهای مختلف زیادی وجود داشت که توسط کارمندان تسلا به کار گرفته شد. بیشترین اعتماد به اکسل یا یک برنامه داخلی ساخته شده در LabView ، و تعداد معدودی از انتخاب ها می دانستند که چگونه می توانند از MySQL Workbench یا R. استفاده کنند

این وضعیت باعث ناامیدی زیادی شد که افراد سخت به دنبال داده های مناسب بودند. تنگناها به دلیل این واقعیت ایجاد شده اند که فقط تعداد معدودی از افراد به اکثر داده ها و همچنین تخصص در استفاده از ابزارهای پیشرفته تجزیه و تحلیل داده ها دسترسی مستقیم داشتند. و از آنجا که اکثر کارکنان مجبور بودند از اکسل برای کار با داده ها استفاده کنند ، این روند کند و ناکارآمد بود. در نتیجه ، مردم غالباً از آنچه در سایر مناطق خط تولید اتفاق می افتد غافل بودند.

نیازهای برتر گزارش داده ها عبارتند از:

• تعداد تولید و عملکرد
• ردیابی/تجزیه و تحلیل نقص کیفیت
• کنترل فرآیند آماری (SPC) و نظارت بر فرآیند
• تحقیقات علت ریشه
• اکتشاف داده های باز
• تجزیه و تحلیل آماری - doe ، grr و غیره

شایان ذکر است که بیشتر این نیازهای گزارش دهی به جای آمار و اسکریپت ، در تجسم داده ها و اکتشاف داده ها سنگین است. این نقش مهمی در تصمیم تسلا برای اتخاذ نرم افزار تجزیه و تحلیل داده های Tableau داشت.

مزایای Tableau

یکی از مزیت های متمایز Tableau، «آشنایی با منبع داده» است، یعنی کاربران دیگر نیازی به اهمیت ندارند که داده ها از کجا آمده است. آنها می توانند هر داده ای را از هر منبعی و در هر زمانی استخراج کنند. آنها می توانند داده های موجود در فایل های MES، Test DB، QuickBase یا Excel را در کنار هم در داشبورد مشابه مشاهده کنند.

Tableau همچنین به کاربران عادی، حتی کسانی که برنامه نویس نیستند، اجازه می دهد تا به راحتی تصاویر قدرتمند و متناسب ایجاد کنند. قبل از آن، آنها باید حداقل 6 ماه را صرف یادگیری R می کردند تا بتوانند چنین تجسمی داده ها را بسازند.

یکی دیگر از پیشرفت های بزرگی که توسط Tableau ایجاد شده است، انتشار و اشتراک گذاری است. در گذشته، کسانی که قادر به استفاده از ابزارهای تحلیلی بودند، اغلب مجبور بودند آثار خود را صادر کرده و از طریق ایمیل برای دیگران ارسال کنند. این رویکرد وقت گیر و فاقد تعامل بود. برعکس، کاربران Tableau می توانند به راحتی آثار خود را منتشر کنند و به دیگران اجازه دهند با آنها در مرورگرهای وب خود تعامل داشته باشند.

در بخش های بعدی، برخی از کاربردهای Tableau را در ساخت ابزارهای گزارش تولید در کارخانه تسلا بررسی خواهیم کرد.

نگاه کردن به داده ها از زوایای مختلف

برای داشتن یک تصویر کامل، افراد باید بتوانند داده ها را از زوایای مختلف بررسی کنند. سپس تشخیص روندها و الگوها بسیار آسان تر است.

کتاب کار تجسم زیر 3 نمای مختلف از یک مجموعه واحد از داده ها را نشان می دهد: تعداد مشکلات کیفیت.

تجسم بالا سمت چپ تعداد نقص ها را در طول زمان نشان می دهد. تجسم بالا سمت راست تعداد عیوب را بر اساس مراکز کاری شمارش می کند. و در گوشه سمت راست پایین تجسم نقص ها بر اساس دسته ها است.

کاربران Process Sustaining از این کتاب کار در کارهای روزمره خود استفاده می کنند. آنها می توانند داده ها را به هر طریقی که بخواهند استخراج کنند. به عنوان مثال، آنها به راحتی می توانند تعداد عیوب هر مرکز کاری را بر اساس تاریخ و دسته بندی تنها با کلیک بر روی آن مرکز کاری خاص مشاهده کنند.

سپس می توانند با کلیک کردن روی دسته بندی نقص، حتی بیشتر فیلتر کنند و تعداد آن نوع نقص خاص را در طول زمان ببینند.

گوشه پایین سمت چپ جایی است که کاربران می توانند اطلاعات دقیق هر نقص کیفیت، از جمله یادداشت های افرادی که بازرسی را انجام داده اند، مشاهده کنند. بنابراین کاربران می توانند از داده های سطح بالا تا شماره های سریال فردی را در همان صفحه بررسی کنند.

نظارت بر فرآیند

داشبورد زیر تعداد رد قسمت های کاذب را کنترل می کند ، که در صورت اسکن قطعات توسط اسکنرهای بارکد و به دروغ رد می شوند. این می تواند به دلایل مختلفی باشد. قطعات ممکن است در زاویه سمت راست به سمت اسکنرها نگهداری نشوند یا اسکنرها نادرست باشند.

داشبورد زیر داده های 19 مرکز کاری (Mac01 تا Mac19) را نشان می دهد. هرکدام دارای 10 لانه (A تا J) هستند که بارکد در آن اسکن شده است. نرخ رد کاذب توسط رنگ ها نشان داده شده است. یک لانه سبز به معنای نرخ رد کاذب در حد مجاز است.

کاربران می توانند روی یک مرکز کار خاص کلیک کنند و روند رد کاذب لانه های فردی را به مرور زمان مشاهده کنند. از همه مهمتر ، آنها می توانند تجهیزات مربوط به مدت مشابه را از یک پایگاه داده جداگانه بکشند و ببینند آیا کسی قبلاً اسکنرها را به پایین وارد کرده و به خدمه تعمیر و نگهداری هشدار داده است و آیا پس از تعمیر ، میزان رد کاذب یک اسکنر کاهش یافته است.

در این مورد خاص ، 2 هشدار تعمیر و نگهداری برای اسکنر مرکز Nest B / Center Mac14 وجود دارد. و ظاهراً این نرخ پس از تعمیر دوم کاهش یافته است.

نکته نظارت بر فرآیند قادر به دیدن نه تنها آنچه در جریان است بلکه زمینه عمیق تر اقدامات انجام شده است.

این قسمت 1 ST از مقاله ما است. لطفاً قسمت دوم را بخوانید یا برای آخرین مطالب در مورد هوش تجاری و تجزیه و تحلیل در وبلاگ ما مشترک شوید.

همچنین می توانید یک نسخه ی نمایشی Tableau را درخواست کنید تا ببینید که چگونه این راه حل می تواند به تجارت شما کمک کند.