Prédiction de l’activité fermentaire
Afficher l’étude de cas

Projet - data science
Un KPI déterminant pour mesurer la performance d’une ligne s’appelle le TRS (Taux de Rendement Synthétique) ou OEE en anglais (Overall Equipment Effectiveness).
Sur la ligne de production étudiée, le TRS est calculé en temps réel mais on observe qu’il fluctue fortement d’une heure à l’autre et qu’il est finalement médiocre lorsqu’on vérifie sa valeur moyenne. Différentes équipes sont impliquées : automatisation, qualité, maintenance, laboratoire, opérateurs, et chacun a sa propre idée sur les raisons de cette flustuation. Qui a raison ? Quels sont les changements à opérer pour répondre à une amélioration rapide (et peu coûteuse) ?
Toutes les sources de données disponibles sont inspectées et l’analyse par Machine Learning qui en résulte permet d’objectiver les idées des différentes équipes et d’écarter les idées fausses. En outre, les solutions potentielles sont répertoriées et classées par ordre de priorité en fonction de leur impact direct et de leur coût.
Le TRS a un impact direct sur le retour sur investissement du processus. Les solutions sont choisies en fonction de l’augmentation potentielle du TRS qui est évaluée (sur la base de données historiques) et de sa facilité de mise en œuvre. Le TRS sera alors augmenté étape par étape, tout comme le retour sur investissement.
Activité du client
Marque de la solution
Nature des travaux
Services
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas
Afficher l’étude de cas