Implementing self-service business analytics in support of lean manufacturing initiatives
Notice bibliographique
Résumé
Continuous improvement (CI) programs such as Lean Six Sigma (LSS) are the cornerstones of many high-performance corporate cultures. However, numerous obstacles can arise when comes the time to implement and sustain improvements – high failure rates are reported for CI programs. Leveraging existing information systems (IS) can be an obstacle for lean manufacturing initiatives in environments where data is fragmented across multiple databases of Enterprise Resource Planning (ERP) and Manufacturing Execution Systems (MES). \n \nSelf-service business analytics (SSBA) provide the flexibility required to unify fragmented data with minimal turnaround, which makes this class of software ideal for managers piloting lean manufacturing initiatives. SSBA can enable the managers themselves to design and redesign suitable metrics throughout the typical three to six months duration of LSS projects. \n \nThe main goal of this study is to propose an implementation framework for SSBA supporting lean manufacturing initiatives. This prescriptive framework is designed to guide managers in maximizing results and minimizing delays – making the project successful. \n \nTo achieve this goal, a Design Science Research (DSR) methodology involving an industrial case study is carried out. First, a systematic literature review is conducted, which establishes a research base and highlights research gaps. Then, an implementation workflow is designed for SSBA. Next, this workflow is applied and evaluated at the case company – the Canadian division of an international steel parts manufacturing company with about 15000 employees worldwide. Lessons learned are then outlined and integrated to yield a generalizable implementation framework backed by empirical evidence in manufacturing. \n \nQuantitative evaluation survey results for the implementation case study were above the threshold set. Qualitative observations reveal positive impacts of SSBA supporting lean manufacturing through improved inter-departmental communication leading to better operational decision making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».