Dashboard for Monitoring the Performance of Service Operations in Heavy Machinery Industry

Abstract

In this study, a dashboard solution was developed for monitoring various indicators that measure the performance of machinery servicing. The study was commissioned by a company that produces and services heavy machinery, specifically for the use case of monitoring indicators to assess potential performance improvements resulting from changes implemented in the company’s servicing processes.

The indicators implemented in the study include three key performance indicators (KPI) and two result indicators (RI), they are: first time fix rate (FTFR), mean time to repair (MTTR), technician efficiency, failures per unit, and average servicing cost. The metrics were chosen based on their suitability for servicing performance monitoring, as has been found in previous studies, concentrating on equipment downtime, which causes costs in the form of lost production.

The focus of the study is creating a business intelligence (BI) architecture pipeline, where data required for the indicators is sourced, transformed, connected to a dashboard platform, and turned into informative visualizations. Data used in this study are service records sourced from the company’s SAP enterprise resource planning (ERP) system and Salesforce customer relationship management (CRM) system, from which the data has been extracted and loaded onto the BigQuery online data warehouse prior to the study. The data is transformed in BigQuery using SQL queries to create virtual tables, called “views”, completing an extract, load, transform (ELT) process. After the first round of transformations, the data was used to calculate and visualize the chosen indicators on the dashboard created in Looker Studio. Further transformation was applied to create cumulative sum (CUSUM) charts for detecting significant performance improvements in the KPI measurements over time.

The quality of the data was assessed during the transformation phase, with issues found with the accuracy and completeness of the servicing records. Different techniques, such as substitution, filtering, and targeted visualizations, were deployed to address the found issues. The dashboard's usefulness and aesthetics were validated by surveying its users. The feedback was positive and provided ideas for future development, with some minor adjustments already made to the dashboard.

Työssä kehitettiin dashboard-ratkaisu kaluston huollon suorituskyvyn mittareiden seurantaan. Työ tehtiin raskasta kalustoa valimistavalle ja niille huoltopalveluja tarjoavalle yhtiölle, heidän huoltopalveluihinsa keskittyvässä kehitysprojektissa toteutettujen muutosten tulosten seurantaan.

Seurattaviksi valittiin kolme suorituskykymittaria (KPI) ja kaksi tulosmittaria (RI), jotka ovat: ensimmäisellä kerralla ratkaistujen korjausten aste (FTFR), keskimääräinen korjausaika (MTTR), teknikoiden tehokkuus, rikkoutumiset yksikköä kohden, sekä keskimääräiset huoltokustannukset. Mittarit valittiin perustuen niiden aikaisemmissa tutkimuksissa todettuun soveltuvuuteen huoltotoimintojen suorituskyvyn mittaamisessa. Mittareiden valinnassa painotettiin erityisesti laitteiden rikkoutumisesta johtuvien seisokkien kestoa, jonka tiedetään aiheuttavan kustannuksia menetetyn tuotannon muodossa.

Työssä keskityttiin liiketoimintatiedon hallinnan (BI) arkkitehtuuriputken luomiseen, jossa mittareiden edellyttämä data hankitaan, muunnetaan, yhdistetään dashboard-alustaan ja muutetaan informatiivisiksi visualisoinneiksi. Työssä käytetty data on yhtiön SAPtoiminnanohjausjärjestelmästä (ERP) ja Salesforce-asiakkuudenhallintajärjestelmästä (CRM) hankittuja huoltotapahtuma tietoja. Data on poimittu ja ladattu BigQuery-verkkotietovarastoon ennen tutkimusta, ja työssä suoritetaankin datan muokkaaminen, jolloin poimimisen, lataamisen ja muuntamisen (ELT) -prosessi tulee suoritetuksi kokonaisuudessaan. Data muunnetaan BigQueryssä SQL-kyselyillä, jotka tallennetaan virtuaalisiksi taulukoiksi, ”näkymiksi”, dashboardalusta Looker Studiossa käytettäviksi. Ensimmäisen muunnoskierroksen jälkeen dataa käytettiin mittareiden laskemiseen ja visualisointiin dashboardilla. Lisämuunnoksia tehtiin kumulatiivisten summien (CUSUM) kaavioiden luomiseen merkittävien suorituskyvyn parannusten havaitsemiseksi KPI-mittauksista.

Datan laatua arvioitiin muunnosvaiheen aikana, ja huoltotietojen tarkkuudessa ja täydellisyydessä havaittiin ongelmia. Löytyneiden ongelmien ratkaisemiseksi käytettiin erilaisia tekniikoita, kuten arvojen korvausta, suodatusta ja kohdennettuja visualisointeja. Mittariston hyödyllisyyttä ja estetiikkaa arvioitiin käyttäjäkyselyllä. Palaute oli positiivista ja tarjosi ideoita ratkaisun kehittämiseen tulevaisuudessa. Joitain pieniä muutoksia tehtiin palautteen pohjalta jo tutkimuksen aikana.