Splast to polska firma rodzinna z ponad 35-letnim doświadczeniem, specjalizująca się w produkcji elementów z tworzyw sztucznych dla międzynarodowych klientów z branż motoryzacyjnej, AGD, elektrotechnicznej i meblarskiej.
Posiada cztery zakłady produkcyjne – trzy w Polsce i jeden na Węgrzech – w których zatrudnia ponad 700 pracowników. Wraz z rozwojem organizacji rosła też potrzeba uporządkowania i przyspieszenia dostępu do danych – w tym produkcyjnych, finansowych i energetycznych.
Dotychczasowe narzędzia raportowe nie pozwalały na dynamiczną analizę danych ani na reagowanie w czasie rzeczywistym. Brakowało możliwości swobodnego zagłębiania się w szczegóły. Raporty sprzedażowe były generowane z opóźnieniem. W zakładach pracowało ponad 60 linii technologicznych z setkami czujników, jednak ich dane były trudne do skonsolidowania i wykorzystania w bieżącej analizie.
Dodatkowo firma przeszła na nowy system ERP, co wymagało przemyślanej integracji danych historycznych z nowymi źródłami. Równolegle rosła potrzeba uspójnienia raportowania kosztów energii oraz skuteczniejszego monitorowania produkcji i pracy zespołu.
Dane z ponad 60 linii technologicznych i czujników maszyn są analizowane na bieżąco. Umożliwia to wykrywanie anomalii, analizę przyczyn powstawania braków oraz szybkie reagowanie na odchylenia w procesach.
Dane z Qlika są prezentowane bezpośrednio na ekranach przy liniach produkcyjnych. Pracownicy widzą postęp realizacji zleceń i mogą odpowiednio przygotować się do przezbrojeń. To skraca czas reakcji i zwiększa płynność pracy.
Po wdrożeniu nowego systemu ERP, Splast precyzyjnie analizuje koszty dla każdego detalu – od surowca, przez robociznę, po zużycie energii elektrycznej.
Firma wykorzystuje dane z Qlik do analizy zużycia prądu i planowania działań związanych ze zrównoważonym rozwojem, w tym inwestycji w farmy fotowoltaiczne i odzysk ciepła technologicznego.
Splast planuje rozszerzenie wykorzystania Qlik w obszarze predykcji awarii i prewencyjnego utrzymania ruchu z wykorzystaniem modeli uczenia maszynowego oraz integrację z Pythonem i językiem R. Dzięki danym historycznym możliwe będzie automatyczne wykrywanie anomalii i wcześniejsze reagowanie na potencjalne przestoje. Analizy będą oparte na danych z systemu MES, co pozwoli budować modele uczące się na realnych scenariuszach produkcyjnych. Celem jest nie tylko zmniejszenie ryzyka awarii, ale także optymalizacja planowania i utrzymanie ciągłości produkcji bez zbędnych przestojów.
Podczas webinaru pokażemy, jak dzięki Qlik Sense analizować wskaźnik OEE, optymalizować procesy produkcyjne oraz zwiększać efektywność operacyjną.