Data Lakehouse für durchgängige Fertigungssteuerung und Auftragscontrolling
Wenn verteilte Produktionsdaten eine gemeinsame Steuerung erschweren
Fertigungs-, Qualitäts- und Auftragsinformationen lagen in unterschiedlichen Systemen wie SAP, PRO.FILE, MDesign und relationalen Datenbanken vor. Für eine vollständige Bewertung mussten Informationen aus mehreren Quellen zusammengeführt werden.
Rund 150 Reports mit teilweise redundanten Berechnungslogiken und direkten Abhängigkeiten zu operativen Systemen erschwerten konsistente Auswertungen. Manuelle Abstimmungen und individuelle Sonderlösungen erhöhten den Pflegeaufwand.
Gleichzeitig benötigten Produktion, Materialwirtschaft, Qualität und Controlling einen verlässlichen Blick auf Auftragsfortschritt, Arbeitsvorgänge und tatsächliche Durchlaufzeiten. Fehlende Dokumentation und unterschiedliche Datenqualitäten begrenzten die eigenständige Analyse durch die Fachbereiche.
Projektkennzahlen
10 Prozentpunkte höhere Liefertreue
Laut ursprünglicher Projektbeschreibung verbesserte sich die Liefertreue im Vorjahresvergleich um zehn Prozentpunkte.
Rund 150 Reports als Ausgangspunkt der Modernisierung
Redundante Berechnungen und operative Abhängigkeiten werden durch zentral aufbereitete Daten und wiederverwendbare Plattformlogiken reduziert beziehungsweise ersetzt.
Von gewachsenen Reporting-Strukturen zur skalierbaren Lakehouse-Architektur
Ein cloudbasiertes Databricks Lakehouse bildet die zentrale Daten- und Dokumentationsbasis. Informationen aus SAP, PRO.FILE, MDesign und weiteren produktionsnahen Quellen werden integriert, vereinheitlicht und schrittweise aufbereitet.
Definierte Verarbeitungsschichten führen von Quelldaten zu qualitätsgesicherten Datenprodukten. Gemeinsame Berechnungslogiken, dokumentierte Datenherkunft und abgestimmte Zugriffsrechte erleichtern die verlässliche Nutzung.
Azure DevOps unterstützt standardisierte Entwicklungs-, Test- und Bereitstellungsprozesse. Pipeline-Monitoring macht Verarbeitungsabläufe und Fehler nachvollziehbar. Tableau stellt die aufbereiteten Informationen in Management-Dashboards bereit.
Weitere Quellen und Analyseanforderungen können nach wiederverwendbaren Mustern ergänzt werden. Die Plattform schafft außerdem eine Grundlage für spätere Machine-Learning-Anwendungen, beispielsweise zur Untersuchung von Sensordaten und Ausschussmustern.
