Data Quality in Smart Manufacturing
Mäkinen, Matias Valtteri (2020-12-24)
Mäkinen, Matias Valtteri
24.12.2020
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe202003249127
https://urn.fi/URN:NBN:fi-fe202003249127
Tiivistelmä
Data quality is important aspect for the business in 21st -century. High quality data is needed more and more in companies for producing high quality products and services. The purpose of this research is to find and define tools and process for improving data quality in case company. These tools consist of software and monitoring process estab-lished in collaboration with delivery management of the case company.
This thesis is based on studying on improvement of data quality of materials used in production in case company. Few tools for data monitoring are presented and one was chosen for building a prototype for monitoring data quality. These tools were 3rd party software from SAP and IBM, own solution from case company and a Microsoft Power BI report. This prototype was built with Microsoft Power BI and configured for the needs of delivery management according the scope presented in this thesis. This scope consisted of few key parameters of material data that have impact on production.
Based on this study and literature review, a process for improving data quality was found. This process consists of six simple steps, that when followed correctly, can yield great improvements in data quality. These steps were: identifying metrics to collect, identify where to monitor, implementing monitoring process, running a baseline assess-ment, posting monitoring reports and reviewing monitoring trends. Improvement was also found in data quality in this thesis. Issues, for example missing master data parame-ters, in material master data quality decreased significantly, when comparing to time be-fore data monitoring to time after monitoring process was implemented. Datan laatu on tärkeä osa liiketoimintaa 2000-luvulla. Korkealaatuista dataa tarvitaan yhä enemmän yritysten toimesta, että voidaan tuottaa korkealaatuisia tuotteita ja palveluita. Tämän tutkimuksen tarkoitus on löytää ja määritellä työkaluja ja prosessi datan laadun parantamiseksi kohdeyrityksessä. Nämä työkalut ja monitorointiprosessi luotiin yhteistyössä kohdeyhtiön toimitushallinan organisaation kanssa.
Tämä lopputyö perustuu tuotannossa käytettävien materiaalien datan laadun parantamisen tutkimiseen kohdeyrityksessä. Lopputyössä on esitelty muutama eri työkalu datan monitorointia varten ja näistä yksi on valittu, josta on rakennettu prototyyppi datan laadun monitorointia varten. Työkaluja olivat kolmannen osapuolen ohjelmistot SAP:lta ja IBM:ltä, kohdeyhtiön oma ohjelmisto sekä Microsoftin Power BI raportti. Prototyyppi rakennettiin Microsoftin Power BI -ohjelmistolla ja se konfiguroitiin toimitushallinan tarpeiden mukaiseksi tutkimuksen määrittelemän laajuuden perusteella. Tämä määritelty laajuus koostuu muutamasta avainparametrista materiaalidatassa, joilla on vaikutusta tuotantoon.
Tämän tutkimuksen sekä kirjallisuuskatsauksen perusteella hyvä toimintatapa ja prosessi datan laadun parantamiseksi löydettiin. Tämä prosessi koostuu kuudesta yksinkertaisesta askeleesta joita seuraamalla voidaan saada suuria parannuksia datan laadussa. Nämä askeleet ovat: kerättävien parametrien tunnistaminen, monitorointikohteen tunninstaminen, monitorointiprosessin toteutus, lähtötilanteen arviointi, monitorointitulosten julkaiseminen sekä monitorointitrendien seuranta. Parannus datan laadussa havaittiin myös tutkimuksessa. Ongelmat materiaalidatassa pienenivät huomattavasti, kun verrattiin aikaa sekä ennen että jälkeen monitorointiprosessiin käyttöönoton.
This thesis is based on studying on improvement of data quality of materials used in production in case company. Few tools for data monitoring are presented and one was chosen for building a prototype for monitoring data quality. These tools were 3rd party software from SAP and IBM, own solution from case company and a Microsoft Power BI report. This prototype was built with Microsoft Power BI and configured for the needs of delivery management according the scope presented in this thesis. This scope consisted of few key parameters of material data that have impact on production.
Based on this study and literature review, a process for improving data quality was found. This process consists of six simple steps, that when followed correctly, can yield great improvements in data quality. These steps were: identifying metrics to collect, identify where to monitor, implementing monitoring process, running a baseline assess-ment, posting monitoring reports and reviewing monitoring trends. Improvement was also found in data quality in this thesis. Issues, for example missing master data parame-ters, in material master data quality decreased significantly, when comparing to time be-fore data monitoring to time after monitoring process was implemented.
Tämä lopputyö perustuu tuotannossa käytettävien materiaalien datan laadun parantamisen tutkimiseen kohdeyrityksessä. Lopputyössä on esitelty muutama eri työkalu datan monitorointia varten ja näistä yksi on valittu, josta on rakennettu prototyyppi datan laadun monitorointia varten. Työkaluja olivat kolmannen osapuolen ohjelmistot SAP:lta ja IBM:ltä, kohdeyhtiön oma ohjelmisto sekä Microsoftin Power BI raportti. Prototyyppi rakennettiin Microsoftin Power BI -ohjelmistolla ja se konfiguroitiin toimitushallinan tarpeiden mukaiseksi tutkimuksen määrittelemän laajuuden perusteella. Tämä määritelty laajuus koostuu muutamasta avainparametrista materiaalidatassa, joilla on vaikutusta tuotantoon.
Tämän tutkimuksen sekä kirjallisuuskatsauksen perusteella hyvä toimintatapa ja prosessi datan laadun parantamiseksi löydettiin. Tämä prosessi koostuu kuudesta yksinkertaisesta askeleesta joita seuraamalla voidaan saada suuria parannuksia datan laadussa. Nämä askeleet ovat: kerättävien parametrien tunnistaminen, monitorointikohteen tunninstaminen, monitorointiprosessin toteutus, lähtötilanteen arviointi, monitorointitulosten julkaiseminen sekä monitorointitrendien seuranta. Parannus datan laadussa havaittiin myös tutkimuksessa. Ongelmat materiaalidatassa pienenivät huomattavasti, kun verrattiin aikaa sekä ennen että jälkeen monitorointiprosessiin käyttöönoton.