Der erste Schritt unserer Zusammenarbeit bestand darin, so viel wie möglich über die Geschäftsziele des Unternehmens zu erfahren und darüber, wie wir es mit digitalen Lösungen am besten bei der Erreichung dieser Ziele unterstützen können. Gemeinsam mit unserem Partner identifizierten wir Verbesserungsbereiche und entwarfen eine umfassende Lösung, um seine Anforderungen zu adressieren.

Die erste Herausforderung, die wir angingen, bestand darin, die Datenqualität und -einheitlichkeit sowie die schnelle Erfassung und Speicherung in einem zentralen Data Lake sicherzustellen. Für diese Aufgabe nutzten wir Azure. Sobald wir einen besseren Überblick über die Daten hatten und ein Validierungsverfahren etabliert war, entwickelten wir mit Hilfe von Machine Learning prädiktive Algorithmen, die dem Team unseres Partners bei der Aufgabenerfüllung und der Gewinnung umsetzbarer Erkenntnisse helfen. Diese Informationen konnten anschließend genutzt werden, um Abläufe zu optimieren und positive Auswirkungen zu erzielen.

Mit einem zuverlässigeren Datenstrom aus der Produktionslinie erstellten wir individuelle Berichte und Analysen in Power BI, um dem Unternehmen zu helfen, die Leistung seines Systems zu überwachen. Wir legten großen Wert darauf, die Berichte benutzerfreundlich und intuitiv zu gestalten, damit die Nutzer Problembereiche leichter erkennen und bei Bedarf korrigieren konnten.

Abschließend entwickelten wir eine Reihe benutzerfreundlicher Apps, die wichtige Fabrikkennzahlen über eine Web- oder mobile Oberfläche bereitstellen. Mit dieser Software konnte das Unternehmen Echtzeiteinblicke gewinnen und deren Auswirkungen analysieren. Dank zuverlässigerer Einblicke wurden Geschäftsentscheidungen leichter und ihre Ergebnisse besser vorhersagbar.

• Erfolgreiche Integration von Daten aus mehreren relevanten Quellen in einem einzigen Data Lake;

• Bereinigung und Validierung eines wesentlichen Teils der Daten;

• Entwicklung interaktiver Lösungen zur Datenvisualisierung und Stärkung datengestützter Entscheidungsfindung;

• Generierung, Sammlung und Bereinigung von Daten zur Entwicklung und zum Deployment eines Machine-Learning-Modells in der Produktion innerhalb von 6 Monaten;

• Implementierung eines Echtzeit-Datenstreaming-Systems mit 99,9 % Verfügbarkeit innerhalb von weniger als einem Jahr;

• Reduzierte Stillstandszeiten von Maschinen;

• Gesteigerte Produktionseffizienz und Prognosequalität;

• Digitalisierung eines Teils des Produktionsworkflows der Endnutzer;

• Verringerung der Anzahl von Produktqualitätsproblemen.