These sample files and code examples are provided by CFG Schendera c/o Method Consult „as is“ without warranty of any kind, either express or implied, including but not limited to the implied warranties of merchantability and fitness for a particular purpose. Recipients acknowledge and agree that CFG Schendera c/o Method Consult shall not be liable for any damages whatsoever arising out of their use of this material. In addition, CFG Schendera c/o Method Consult will provide no support for the materials contained herein.
| Kunde: | Weltmarktführer in der Glas-Herstellung (SG, Schweiz) |
| Rolle: | Data Analyst (SAS JMP) |
| Zeitraum: | Mai 2019 – Dezember 2019 |
| Umgebung: | Windows 10 |
| Werkzeuge: | JMP 15.0/14.0, Visio. |
| Special Software: | u.a. FabEagle, Trendpanel, CroNet. |
Verantwortlichkeiten:
Business Analyse: Empirische und fachliche Analyse und Dokumentation der Datenflüsse und Ebenen der Produktionslinien gemäß ISA-95 Standards (und später). Von den Sensoren in der Produktion bis hin zu MES und (Web) FabEagle etc. Integration verteilter Dokumentation. Erweiterung des bestehenden Betriebsplans um Umweltvariablen wie z.B. Kontamination. Identifizierung von Black Boxes. Ablösung manueller Prozesse durch automatisierte Berichte. Fabrikweite Workshops, um sicherzustellen, dass alle betroffenen Abteilungen teilnehmen und sich auf die erforderlichen KPIs und deren Definitionen einigen. Schnittstelle zu international verteilten Projekten (z.B. Deutschland, Italien, Ungarn, Brasilien).
Datenanalyse: Managte mehrere Datenanalyseprojekte. Unterstützte die Analyse, Optimierung und Vorhersage von Daten zu Prozessen, Ausstattung und Produkten mit statistischen Methoden. Beginn der Lösung von DQ-Anomalien. Entwicklung von Prototypen aus verschiedenen Quellen auf der Grundlage von Ansätzen wie SPC, 6Sigma, Data Mining, Visual Analytics und Event Forensics. Unterstützte den Entwurf und die Automatisierung von Routineanalysen (JMP), Berichten (FabEagle) oder Dashboards (CroNet) für die unternehmensweite Prozessentwicklung und -produktion. Visualisierte intuitive Daten, z.B. auf die Produktionslinie ausgerichtete Heatmaps oder interaktive Parallel-Koordinatendiagramme. Die Analyse umfasste Zielanalyse und statist. Assoziationen zwischen produktionsweiten KPIs. Data Mining lieferte u.a. die automatische Auswahl der „Top Ten“ der instabilsten Prozess-KPIs.
Impact:
Aktualisierte Dokumentation der Produktionsdaten. Aufschlussreichere Analysen und gezieltere Fehlerbehebung. Automatisierte Prozesse sparten Stunden manueller Arbeit und reduzierten Verluste durch Ausfallzeiten. „Beleuchtete“ Black Boxes.
