Ražošanas optimizēšana un kvalitātes pārvaldība ar AI un SAP

LeverX izmantoja mākslīgo intelektu un SAP BTP, lai atrisinātu kritiskus ražošanas izaicinājumus. Ieviešanas rezultātā par 90 % uzlabojās defektu noteikšanas precizitāte un līdz pat 15-20 % samazinājās darbības izmaksas.

Klients un izaicinājums

Mūsu klients ir liels ražošanas uzņēmums ar sadalītu struktūru, tostarp galveno biroju Eiropā, 5 ražotnēm Āzijā un Ziemeļamerikā un 200 izplatīšanas centriem visā pasaulē. Uzņēmums saskārās ar ievērojamiem izaicinājumiem loģistikas tīkla pārvaldībā, jo:

• sadrumstalotu loģistikas datu: Dati bija izkaisīti daudzos atšķirīgos avotos, tostarp Excel izklājlapās, decentralizētās autoparka pārvaldības sistēmās un trešo pušu pakalpojumos. Tas apgrūtināja pilnīgas un uzticamas informācijas iegūšanu.
• Lēna plānošana un ziņošana: Maršrutu plānošana, pieprasījuma prognozēšana un loģistikas pārskatu sagatavošana bija lēna. Konsolidēto pārskatu sagatavošana varēja aizņemt vairākas dienas vai pat nedēļas, tāpēc dati pēc saņemšanas bija novecojuši.
• Manuāli un ar kļūdām saistīti procesi: Liela daļa plānošanas un analīzes darbu tika veikta manuāli, kas palielināja kļūdu risku un izraisīja neprecizitātes maršrutu plānošanā un resursu sadalē.
• Neprecīza pieprasījuma prognozēšana: Lēni procesi neļāva ātri reaģēt uz tirgus izmaiņām, piemēram, satiksmes sastrēgumiem vai pieprasījuma izmaiņām.
• Vienota patiesības avota trūkums: vienota datu avota trūkums radīja neatbilstības un pārpratumus starp loģistikas, pārdošanas un ražošanas nodaļām.

Metodoloģija un pieeja

Mūsu metodoloģija šim projektam bija vērsta uz pakāpenisku pieeju, lai samazinātu ieviešanas riskus un izvairītos no "liela mēroga" modernizācijas. Mēs sākām ar rūpīgu klienta esošo sistēmu auditu un tirgus risinājumu novērtējumu. Šī analīze apstiprināja, ka.

SAP BTP bija ideāla platforma, jo to varēja viegli integrēt ar klienta esošo SAP ekosistēmu, tostarp SAP S/4HANA.

Ieviešana tika strukturēta tā, lai tieši risinātu galvenos sāpju jautājumus:

• Datu integrācija un unifikācija: Izmantojot SAP BTP un SAP Integration Suite, mēs izveidojām vienotu, unificētu loģistikas datu avotu. Tas konsolidēja datus no atšķirīgām sistēmām, piemēram, SAP S/4HANA Cloud (krājumiem un pasūtījumiem), GPS/telemetrijas datiem un trešo pušu API vienotā patiesības avotā.
• Ar mākslīgo intelektu darbināma prognozēšana un optimizācija: Mēs esam integrējuši progresīvus mākslīgā intelekta modeļus, lai veicinātu darbības efektivitāti un uzlabotu lēmumu pieņemšanu. Konkrētāk, mēs izmantojam prognozēšanas AI, lai analizētu vēsturiskos piegādes datus, un šis process ļauj mums optimizēt loģistiku un noteikt visefektīvākos maršrutus. Turklāt mēs izmantojam ģeneratīvos modeļus, lai izprastu un prognozētu sarežģītus patērētāju pieprasījuma modeļus, tādējādi nodrošinot precīzāku un proaktīvāku krājumu un resursu pārvaldību.
• Uzlabotā analītika: Mēs izmantojām SAP Analytics Cloud kā galveno komponentu biznesa izlūkošanas, plānošanas un prognozēšanas analītikai. Tas nodrošināja reāllaika ieskatu un ievērojami paātrināja analīzes un plānošanas procesus.
• mērogojamība un elastība: Platformas elastīgums un mērogojamība ļāva ātri izstrādāt un pielāgot lietojumprogrammas, pieaugot datu apjomiem un biznesa vajadzībām.

Šī strukturētā pieeja ļāva uzņēmumam pāriet no reaktīvas uz proaktīvu, uz datiem balstītu loģistikas pārvaldību.

Risinājums

Mēs ieviesām visaptverošu risinājumu, kas balstīts uz mākslīgo intelektu un SAP BTP, lai pārveidotu uzņēmuma ražošanas procesus. Risinājuma būtība bija automatizēt darba plūsmas, optimizēt ražošanu, izmantojot progresīvu analītiku, un krasi uzlabot kvalitātes kontroli, izmantojot mākslīgo intelektu.

• Darba plūsmas automatizācija: Mēs izmantojām SAP Build Process Automation, lai racionalizētu un automatizētu galvenās darba plūsmas.
• Analītika un optimizācija: Risinājumā tika izmantots SAP Analytics Cloud uzlabotajai analītikai, kas palīdz optimizēt ražošanas apjomu.
• Ar mākslīgo intelektu darbināma kvalitātes kontrole: Mākslīgā intelekta integrācija ar SAP BTP AI Core ievērojami uzlaboja produktu kvalitāti. Sistēma tagad atklāj defektus ar 90 % lielāku precizitāti nekā cilvēku kontrolieri.
• Datu pārvaldība reāllaikā: Izmantojot SAP Datasphere, mēs nodrošinājām liela apjoma ražošanas datu vākšanu un analīzi reāllaikā, sniedzot vienotu pārskatu ātrai lēmumu pieņemšanai.

Tehnoloģiju kopums

Risinājums ir balstīts uz mērogojamu un integrētu SAP tehnoloģiju kopumu:

• Pamata platforma: SAP BTP.
• Analītika un plānošana: SAP Analytics Cloud.
• Datu bāze: Datu bāze: SAP HANA Cloud.
• Integrācija: SAP BTP Integration Suite.
• Datu unifikācija: SAP Datasphere..
• Ģeneratīvie mākslīgā intelekta modeļi: Sniegšanas un ģeneratīvie mākslīgā intelekta modeļi, kas integrēti, izmantojot SAP AI Core.

Rezultāti:

Īstenošana klientam nodrošināja ievērojamus, izmērāmus biznesa ieguvumus:

• Samazinātas darbības izmaksas: Neefektīvu maršrutu optimizācija un uzlabota transportlīdzekļu izmantošana ļāva ietaupīt līdz 15-20% degvielas un ekspluatācijas izdevumu. Tukšais nobraukums samazinājās par 5 %.
• Uzlabota piegādes punktualitāte: Uzlabota prognozēšana un plānošana samazināja piegādes kavējumus par 10-15%.
• Uzlabota kvalitāte: Defektu noteikšanas precizitāte uzlabojās par 90 %.
• Komandas apvienošana: 200 peļņas/izplatīšanas centri ar 320 darbiniekiem tika apvienoti korporatīvajos plānos, strādājot ar vienu patiesības avotu.