Use Case MAWIL: Automatyzacja Analizy Poziomu Złomu – Od SAP do Power BI
Wstęp
W firmach produkcyjnych jednym z kluczowych wskaźników efektywności jest poziom złomu. Dział finansów często analizuje te koszty, pobierając je z systemu SAP i przetwarzając w Excelu. Proces ten bywa czasochłonny, podatny na błędy i nie pozwala na bieżącą analizę danych.
W MAWIL stworzyliśmy rozwiązanie, które automatyzuje cały przepływ danych – od SAP, przez Python i bazę danych PostgreSQL, aż po Power BI. Dzięki temu firma może:
• Monitorować poziom złomu w czasie rzeczywistym
• Analizować główne przyczyny powstawania złomu metodą Pareto
• Przewidywać przyszłe wartości wskaźnika za pomocą algorytmów machine learning
Cele przetwarzania projektu
1. Eliminacja ręcznego przetwarzania danych – automatyczny import, czyszczenie i zapis w bazie danych
2. Zwiększenie dokładności analiz – brak błędów wynikających z ręcznego kopiowania
3. Wizualizacja danych w Power BI – dynamiczne raporty w trybie Direct Query
4. Predykcja poziomu złomu – wykorzystanie modeli ML do przewidywania trendów
Opis procesu
1. Pobieranie danych z SAP do Excela
Obecnie dział finansów pobiera raporty z SAP do Excela. Eksportowane dane zawierają m.in.:
• Ilość złomu / koszt złomu
• Kod wady złomu
• Opis wady
• Datę produkcji
Dane są generowane codziennie i zapisywane w określonym katalogu na dysku sieciowym.
2. Automatyczna obróbka danych w Python
Aby wyeliminować ręczne przetwarzanie, stworzyliśmy skrypt w Pythonie, który automatyzuje cały proces.
Krok 1: Wczytanie pliku Excela
Skrypt automatycznie wykrywa najnowszy plik w folderze i wczytuje go do Pythona
Krok 2: Czyszczenie i transformacja danych
Dane są sprawdzane pod kątem braków i formatowane
Krok 3: Zapis do bazy danych PostgreSQL
Po oczyszczeniu danych skrypt łączy się z bazą PostgreSQL i zapisuje dane w tabeli.
Teraz wszystkie dane są w bazie i gotowe do analizy w Power BI.
3. Ładowanie danych do Power BI (Direct Query)
Aby zapewnić analizę w czasie rzeczywistym, w Power BI wykorzystujemy tryb Direct Query. Oznacza to, że Power BI pobiera dane bezpośrednio z PostgreSQL przy każdej aktualizacji raportu, bez konieczności ich duplikowania.
Konfiguracja Direct Query w Power BI
1. W Power BI wybieramy Get Data → PostgreSQL
2. Wprowadzamy dane połączeniowe (adres serwera, użytkownik, hasło)
3. Wybieramy tryb Direct Query
4. Łączymy się z tabelą
Dzięki temu każda zmiana w bazie od razu pojawia się w Power BI, eliminując konieczność ręcznego odświeżania danych.
4. Wizualizacja danych w Power BI
Analiza poziomu złomu
Podstawowym wskaźnikiem jest koszt złomu w USD
W Power BI tworzymy wykres liniowy, który pokazuje zmiany poziomu złomu w czasie.
Analiza Pareto przyczyn powstawania złomu
Tworzymy wykres Pareto, który pokazuje, które wady generują największe straty.
• Oś X: Kody wad złomu / opis wady
• Oś Y: Koszt złomu w USD
Dzięki temu łatwo zidentyfikować najczęstsze przyczyny problemu i podjąć działania naprawcze.
Predykcja poziomu złomu
Aby przewidywać przyszły poziom złomu, tworzymy model machine learning w Pythonie, np. przy użyciu regresji liniowej lub modelu ARIMA.
Predykcja jest następnie importowana do Power BI, gdzie wizualizujemy prognozowane wartości na wykresie.
Korzyści dla firmy
✅ Automatyzacja procesu – brak potrzeby ręcznego kopiowania danych
✅ Bieżący dostęp do danych – Power BI pokazuje aktualne informacje w czasie rzeczywistym
✅ Lepsze decyzje – analiza Pareto pozwala skupić się na najważniejszych problemach
✅ Predykcja trendów – model ML przewiduje poziom złomu i pomaga planować działania
Podsumowanie
Dzięki wdrożeniu tego rozwiązania firma produkcyjna zyskała w pełni zautomatyzowany system analizy poziomu złomu. Dane są zbierane z SAP, przetwarzane w Pythonie, przechowywane w PostgreSQL i wizualizowane w Power BI. Cały proces działa w czasie rzeczywistym, co pozwala podejmować lepsze decyzje i przewidywać przyszłe wartości wskaźników.
Jeśli Twoja firma zmaga się z ręcznym przetwarzaniem danych i chcesz wdrożyć podobne rozwiązanie – skontaktuj się z MAWIL! Oferujemy dedykowane systemy analityczne, które pomogą usprawnić zarządzanie danymi i zwiększyć efektywność operacyjną.
