<\/strong>De volgende stappen worden gezet, bij voorkeur samen met u en uw medewerkers:<\/p>\n
- \n
- Verkenning: welke factoren be\u00efnvloeden de kwaliteit van producten en processen?<\/li>\n
- Modelbouw: hoe groot is de invloed van elk van deze factoren?<\/li>\n
- Prognose: hoe zal de kwaliteit zich bij ongewijzigde omstandigheden ontwikkelen?<\/li>\n
- Optimalisatie: welke prioriteit krijgen invloedsfactoren in een verbetertraject?<\/li>\n
- Validatie: werkt het verbetertraject zoals verwacht?<\/li>\n<\/ul>\n
Uiteraard kunt u desgewenst stappen overslaan of achterwege laten, zolang u tevreden blijft de resterende kwaliteit van de analyse. De stappen zijn aan het eind van deze pagina meer in detail weergegeven<\/p>\n\n\n
Er zijn meerdere manieren van samenwerking mogelijk<\/strong><\/p>\n\n\n\n
1. Multidisciplinaire aanpak<\/strong>
De kennis en vaardigheden van uw medewerkers zijn daarbij cruciaal. Ik voeg daar mijn kennis en vaardigheden aan toe. Samen maken we de sturing van uw processen en de kwaliteit van uw producten nog beter, in het belang van uw klanten, medewerkers en de eigenaar(s), rekening houdend met de wereld waarin we leven. Deze benadering levert uw bedrijf ge\u00efmplementeerde kennis en inzicht op en kost mij minder tijd (lagere kosten voor u). De aanpak is projectmatig en vraagt tijd van uw specialisten, een investering voor de lange termijn. Desgewenst kan ik uw medewerkers de benodigde methoden voor gegevensanalyse leren. <\/p>\n\n\n\n![\"\"](\"https:\/\/viaeterna.nl\/viaeterna.nl\/wp-content\/uploads\/2019\/12\/Vergadering-technici-11050205_ml-e1577881052887-1024x906.jpg\")
<\/figure>\n\n\n\n2. Toevoegen van waarde met een minimale inspanning van uw medewerkers<\/strong>
In een ideale situatie werken we zoveel mogelijk samen om de resultaten (kennis en inzichten) te verankeren in de kennis en vaardigheden van uw medewerkers, in de processturing en in het ontwerp van uw producten. Als u daarvoor nu geen mensen vrij kunt maken, dan kan een gegevensanalyse toch veel opleveren. Ik verdiep me dan in uw bedrijf, overleg zo weinig mogelijk met uw medewerkers en zorg zelf voor de juiste ordening van uw gegevens, desgewenst verzamel ik deze zelf in uw bedrijf.
U krijgt het resultaat in de vorm die u wenst, een advies voor optimalisatie, met of zonder een uitgebreide rapportage ter onderbouwing.<\/p>\n\n\n\nStappen in detail<\/strong><\/p>\n\n\n\n
- Mobiliseer kennis, van procesoperator tot financi\u00eble specialisten;<\/li>
- Begin eenvoudig, inventariseer de huidige kennis op hoofdlijnen;<\/li>
- Maak keuzes: wat heeft prioriteit? (indien nodig zijn prioriteiten te berekenen);<\/li>
- Welke kwaliteitsvariabele(n) wilt u beter beheersen?<\/li>
- Welke stuurvariabelen hebben daar waarschijnlijk of mogelijk effect op (diagram)?<\/li>
- Een verkenning van de verbanden tussen kwaliteits- en stuurvariabelen.
- Er is een breed scala aan technieken beschikbaar, een overzicht op deze pagina<\/a>.<\/li>
- Indien de formules* van verbanden al bekend zijn, werken we uiteraard daarmee.<\/li><\/ul><\/li>
- Verzameling van gegevens, desnoods schattingen (we beginnen eenvoudig …).<\/li>
- Bouw van het statistische model** dat de verbanden beschrijft.<\/li>
- Gevoeligheidsanalyse: welke stuurvariabelen hebben de grootste invloed?<\/li>
- Onzekerheidsanalyse: over welke invloedrijke stuurvariabelen is (te) weinig bekend?
- Variabelen met voldoende zekerheid krijgen prioriteit in de procesoptimalisatie.<\/li>
- Variabelen met teveel onzekerheid krijgen prioriteit in gegevensverzameling.<\/li><\/ul><\/li>
- Indien nodig: procesoptimalisatie (kwaliteit, kosten, medewerkers, omgeving).<\/li>
- Prognose met onzekerheidspluim, inclusief de effecten van procesoptimalisatie. <\/li>
- Validatie van het model: zijn de prognoses correct?<\/li>
- Indien nodig: gegevensverzameling voor verbetering van het model.<\/li><\/ul>\n\n\n\n
* proceskundig, productgebonden, klanten, fysisch, chemisch, (micro)biologisch etc.
** ‘model<\/em>‘ klinkt heel complex, maar 1+1 =2 is een model. Het is dus een grote formule.<\/p>\n\n\n\nProcesautomatisering met machine learning en\/of artificial intelligence<\/strong><\/p>\n\n\n\n
Machine learning<\/a> (machinaal leren) en in toenemende mate artificial intelligence<\/a> (AI, kunstmatige intelligentie) zijn technieken die toepasbaar zijn in procesautomatisering.
Deze technieken vergen grote hoeveelheden gegevens (‘big data’), afkomstig van sensoren, waarbij processturing via (complexe) terugkoppeling steeds beter wordt. Ik werk samen met partners die hier meer vanaf weten dan ik, ik breng u graag met hen in contact.<\/p>\n\n\n\nVeel gegevens (‘big data’)<\/strong> uit andere bronnen<\/strong><\/p>\n\n\n\n
Het is geweldig als u veel gegevens heeft! Hoe meer gegevens, hoe kleiner de onzekerheid. Het blijft zinvol (en met gegevens een enorme klus) om de gegevens goed te controleren, met kennis van zaken. Dat voorkomt bijvoorbeeld dat mannen zwanger worden in gegevensanalyses<\/a>. Slechte gegevens leveren slechte conclusies op, dus ik werk niet met standaardsystemen die verbanden vinden tussen van alles en nog wat, zonder, liefst samen, na te denken over h\u00f3e en waarom er verbanden zijn, op basis van bestaande kennis. <\/p>\n\n\n\n
![\"\"](\"https:\/\/viaeterna.nl\/viaeterna.nl\/wp-content\/uploads\/2019\/12\/Logo-1024x240.png\")
<\/figure>\n\n\n\n
- Er is een breed scala aan technieken beschikbaar, een overzicht op deze pagina<\/a>.<\/li>