Business Intelligence System for planter

På dette stadiet undersøkte teamet vårt kundens eksisterende ERP-plattform, dykket dypt ned i forretningsprosessene, utforsket alternativer og fant den best mulige teknologiske løsningen. Vi utformet en modell som skisserer forretningsenheter i systemet og deres relasjoner, laget en detaljert plan for utviklingen av hver modul og ble enige med kunden om arbeidsflyten.

I henhold til kravene anbefalte vi teknologiene som passet perfekt til kundens behov. Ngx-datatable ble valgt for å håndtere komplekse datasett i form av regneark. Det gir alle funksjoner for å jobbe med en tabell (sortere, filtrere, legge til underrader osv.) og er veldig fleksibelt og lett. D3.js ble brukt til datavisualisering og til å lage responsive diagramkomponenter basert på dynamiske data. Dermed ble informasjonen presentert på en enkel og illustrerende måte som gjorde det mulig for brukerne å forstå den og trekke konklusjoner mye raskere. For maskinlæring valgte vi TensorFlow.js på grunn av den høye skalerbarheten og muligheten til å bruke funksjonene på forskjellige enheter om nødvendig.

For å gjøre dataanalysen raskere og mer effektiv implementerte vi en maskinlæringsalgoritmemodul. Den definerer mønstrene for endringer i anleggenes arbeidsparametere og vurderer effektiviteten deres. Algoritmene mottar automatisk data fra ERP-systemet og lærer hvilke måter som var mest effektive for å oppnå KPI-ene som er satt for hvert anlegg, verksted eller til og med maskin. Dette gjør at modulen kan finne trender og mønstre som ikke sees så lett, men som kan brukes effektivt i kostnadsoptimalisering. Vi valgte TensorFlow.js på grunn av den høye skalerbarheten og muligheten til å bruke funksjonene på forskjellige enheter i fremtiden om nødvendig.

Maskinlæringsmodulen fungerer innenfor produsentens perimeter og merker eller lagrer ikke data om noen filial, anlegg, verksted eller maskin. Bare statistiske data analyseres av ML-algoritmene. Dette betyr at denne modulen er sikker og ikke kan gi den potensielle inntrengeren eller innsideren noen viktig informasjon om kundens produksjonskrefter og gjenstander.

Etter å ha blitt enige om arbeidsfordelingsstrukturen med kunden, gikk vi i gang med å utvikle MVP-en.

Vi leverte modul for modul annenhver uke, diskuterte oppgaver i Slack og hadde ukentlige videokonferanser i Google Meets.

Hver utviklingsfase ble avsluttet med enhetstesting og manuell testing, slik at vi kunne oppdage og fikse selv de minste feilene så tidlig som mulig, og forhindre at de ble til problemer.

Etter å ha blitt enige om arbeidsfordelingsstrukturen med kunden, gikk vi i gang med å utvikle MVP-en.

Vi leverte modul for modul annenhver uke, diskuterte oppgaver i Slack og fikk oppgaver sporet i Jira.

Hver utviklingsfase ble avsluttet med enhetstesting og manuell testing, slik at vi kunne oppdage og fikse selv de minste feilene så tidlig som mulig, og forhindre at de ble til store problemer.