Automatisering begint zelden met een tool. De eerste vraag is of je product- en procesdata betrouwbaar genoeg zijn om regels op te baseren. Een korte data-audit maakt zichtbaar welke informatie bruikbaar is, waar definities verschillen en welke stap eerst moet worden opgeschoond.
Inventariseer de bronnen
Maak een lijst van modellen, tekeningen, Excel-bestanden, calculaties, ERP-records en machinebestanden die bij één productfamilie worden gebruikt. Noteer per bron wie hem beheert, waarvoor hij dient en hoe vaak hij wordt aangepast.
Zo zie je waar dezelfde informatie dubbel wordt vastgelegd. Vaak blijkt een spreadsheet de werkelijke bron te zijn, terwijl het ERP-systeem als officiële bron geldt. Dat verschil is precies waar automatisering later op stukloopt.
Vergelijk definities
Een onderdeel kan in engineering een andere naam hebben dan in ERP of productie. Ook eenheid, afronding en onderdeelnummer kunnen verschillen.
Leg per veld vast wat de betekenis is, welke waarden geldig zijn en welke bron leidend is. Zonder deze woordenlijst is automatische uitwisseling kwetsbaar. Je bouwt dan regels op een aanname die per afdeling anders wordt ingevuld.
Meet volledigheid en afwijkingen
Controleer een steekproef van echte projecten. Ontbreken waarden? Komen dezelfde objecten met verschillende namen voor? Zijn uitzonderingen herkenbaar?
Noteer niet alleen dat data onvolledig is, maar ook welk gevolg dat heeft voor calculatie, modellering, planning of productie. Een ontbrekend veld dat alleen een rapportage raakt, weegt anders dan een veld dat een machine aanstuurt.
Scheid productregels van projectinformatie
Een productregel hoort bij het bouwconcept. Een projectspecifieke keuze hoort bij het project. Als die twee door elkaar staan, is het moeilijk om een model te hergebruiken zonder verkeerde aannames.
Leg daarom vast welke eigenschappen stabiel zijn en welke per order veranderen. Dat onderscheid is de basis voor zowel een parametrisch model als een configurator.
Kijk naar de gewenste output
Een audit is pas relevant als je weet waarvoor je de data wilt gebruiken. Wil je automatisch hoeveelheden uit PDF of IFC halen? Wil je een parametrisch model genereren? Wil je tekeningen of machinebestanden maken?
Per doel zijn andere velden en controles nodig. Een organisatie die vooral calculatie wil versnellen, heeft baat bij schone hoeveelheden en eenduidige objectdefinities. Wie machinebestanden wil genereren, moet ook oriëntatie, nulpunt en bewerkingen valideren.
Prioriteer één productfamilie
Probeer niet meteen alle historische data te standaardiseren. Kies een product met voldoende herhaling en een duidelijke proceswinst.
Definieer de minimale dataset, maak regels voor validatie en test met echte varianten. Daarna kun je uitbreiden. Een kleine, werkende dataset levert meer op dan een groot model dat niemand vertrouwt.
De uitkomst: drie lijsten
Een bruikbare data-audit eindigt met drie lijsten:
- Betrouwbaar: velden en bronnen die direct te gebruiken zijn.
- Op te schonen: definities die eerst moeten worden gelijkgetrokken.
- Te testen: één automatiseringsstap die met de huidige data haalbaar is.
Die derde lijst is de belangrijkste. Zonder concrete test blijft een audit een rapport. Met een test wordt het een vertrekpunt.
De vijf bronnen die je tegenkomt
Bij een audit kom je bijna altijd dezelfde vijf bronnen tegen: het CAD-model, de productietekening, de stuklijst, het ERP-systeem en de kennis van de engineer.
De eerste vier zijn zichtbaar en daardoor makkelijk te controleren. De vijfde is de belangrijkste en de moeilijkste. Juist die kennis bepaalt waarom een oplossing werkt, en die staat nergens opgeschreven.
Een goede audit maakt dat impliciete deel expliciet. Niet door alles te documenteren, maar door de vragen te stellen waarbij een engineer moet uitleggen waarom iets zo is. Elk antwoord dat alleen in iemands hoofd bestaat, is een risico bij automatisering.
Hoe je de audit in één dag doet
Een audit hoeft geen project van weken te zijn. Kies één productfamilie en één recent project waarin het goed ging, en één waarin het misging.
Loop beide projecten door van aanvraag tot productie. Noteer per stap welke gegevens worden gebruikt, waar ze vandaan komen en wie ze aanpast. Markeer iedere stap waar iemand iets intypt dat al ergens anders bestaat.
Vergelijk daarna de twee projecten. De stappen die in beide projecten voorkomen, zijn je vaste proces. De stappen die alleen in het probleemproject voorkomen, wijzen op de uitzonderingen die je moet afvangen.
Wat je met de uitkomst doet
De uitkomst van een audit is geen rapport dat in een la verdwijnt, maar een prioriteitenlijst. Onderaan staan de verbeteringen die veel werk kosten en weinig opleveren, bovenaan de drie tot vijf punten die het meeste effect hebben.
Begin met de punten die zowel het proces als de data verbeteren, bijvoorbeeld het eenduidig vastleggen van elementnamen. Dat kost weinig, werkt direct door in iedere volgende stap en maakt latere automatisering eenvoudiger.
Bewaar de rest van de lijst. Bij een volgende uitbreiding is het de eerste plek waar je kijkt, in plaats van opnieuw te beginnen.
Waar de audit meestal stopt
In de praktijk stopt een audit vaak op hetzelfde punt: niemand is eigenaar van de definities. Engineering, werkvoorbereiding en IT wijzen naar elkaar, en de woordenlijst blijft liggen.
Maak daarom één persoon verantwoordelijk voor de definities, met mandaat om ze vast te leggen. Dat is geen IT-rol en geen managementrol, maar een inhoudelijke rol dicht bij het product.
CADblanche helpt om de uitkomst van een audit te vertalen naar een concreet engineeringvraagstuk, bijvoorbeeld met een parametrisch model of configurator. Wil je eerst de overdracht naar productie op orde hebben, lees dan de checklist van CAD-model naar productiedata.
Veelgestelde vragen
Waarom is een data-audit nodig voor engineeringautomatisering?
Omdat automatisering regels baseert op product- en procesdata. De audit laat zien welke informatie betrouwbaar is, waar definities verschillen en welke opschoning eerst nodig is.
Welke bronnen neem je op in een data-audit?
Modellen, tekeningen, spreadsheets, calculaties, ERP-records en machinebestanden die bij één productfamilie worden gebruikt. Noteer per bron de beheerder, het doel en de wijzigingsfrequentie.
Wat controleer je bij verschillende datadefinities?
Vergelijk namen, eenheden, afronding, onderdeelnummer en betekenis. Leg per veld vast welke waarden geldig zijn en welke bron leidend is.
Hoe lang duurt een data-audit?
Dat hangt af van het aantal bronnen en de beschikbaarheid van medewerkers. Een audit voor één productfamilie is in de praktijk eerder een kwestie van dagen dan van maanden, mits de juiste mensen aanschuiven.
Hoe maak je een data-audit praktisch?
Kies één productfamilie, definieer de minimale dataset en test die met echte varianten. Sluit af met een lijst betrouwbare data, op te schonen data en één haalbare automatiseringsstap.
Een audit als startpunt
Een bruikbare audit eindigt met drie lijsten: wat betrouwbaar is, wat opgeschoond moet worden en welke automatiseringsstap je kunt testen. CADblanche helpt die uitkomst vertalen naar een engineeringvraagstuk.
Vraag een demo aan