Business Intelligence System För Anläggningar

I detta skede undersökte vårt team kundens befintliga ERP-plattform, dök djupt in i affärsprocesserna, utforskade alternativ och räknade ut den bästa möjliga tekniska lösningen. Vi utformade en modell som beskriver affärsenheter i systemet och deras relationer, skapade en detaljerad plan för utvecklingen av varje modul och kom överens med kunden om arbetsflödet.

Enligt kraven rekommenderade vi den teknik som perfekt passade kundens behov. Ngx-datatable valdes för att hantera komplexa datamängder i form av kalkylblad. Den innehåller alla funktioner för att arbeta med en tabell (sortera, filtrera, lägga till underrader osv) och är mycket flexibel och lätt. D3.js användes för datavisualiseringar och för att skapa responsiva diagramkomponenter baserade på dynamiska data. Således presenterades informationen på ett enkelt och illustrativt sätt som gjorde det möjligt för användarna att förstå det och dra slutsatser mycket snabbare. För maskininlärning valde vi TensorFlow.js på grund av sin höga skalbarhet och möjligheten att använda sina funktioner på olika enheter om det behövs.

För att göra dataanalysen snabbare och effektivare implementerade vi en maskininlärningsalgoritmmodul. Den definierar mönster för förändringar i företagens arbetsparametrar och bedömer deras effektivitet. Algoritmerna tar automatiskt emot data från ERP-systemet och lär sig vilka sätt som var mest effektiva för att uppnå KPI:erna för varje anläggning, verkstad eller till och med maskin. Detta gör det möjligt för modulen att hitta trender och mönster som inte ses så lätt men kan användas effektivt i kostnadsoptimering. Vi valde TensorFlow.js på grund av sin höga skalbarhet och möjligheten att använda sina funktioner på olika enheter i framtiden om det behövs.

Maskininlärningsmodulen arbetar inom tillverkarens område och märker eller lagrar inte data om någon filial, anläggning, verkstad eller maskin. Endast statistiska data analyseras av ML-algoritmerna. Detta innebär att den här modulen är säker och inte kan ge en potentiell inkräktare eller insider någon viktig information om kundens tillverkningskrafter och artiklar.

Efter att ha kommit överens med kunden om arbetsuppdelningsstrukturen kom vi ner till att utveckla MVP.

Vi levererade modul för modul varannan vecka, diskuterade uppgifter i Slack och hade veckovisa videokonferenser i Google Meets.

Varje utvecklingsfas avslutades med enheten och manuell testning, så att vi kunde upptäcka och fixa även de minsta buggarna så tidigt som möjligt, vilket hindrade dem från att bli problem.

Efter att ha kommit överens med kunden om arbetsuppdelningsstrukturen kom vi ner till att utveckla MVP.

Vi levererade modul för modul varannan vecka, diskuterade uppgifter i Slack och hade uppgifter som spårades i Jira.

Varje utvecklingsfas avslutades med enhetstest och manuell testning, så att vi kunde upptäcka och åtgärda även de minsta buggarna i ett så tidigt skede som möjligt och förhindra att de förvandlas till stora problem.