مشاوره و پیاده‌سازی هوش مصنوعی · تجربه‌ی واقعی در کارخانه‌ی کاشیهوش مصنوعی در
کسب‌وکار و سازمان.

از مواد اولیه تا صادرات: هر واحد چه داده‌ای داشت، هوش مصنوعی چه کرد و چه چیزی تحویل مدیر شد.

هوش مصنوعی در مواد اولیهپیش‌بینی جذب آب و استحکام، قبل از تولید
خروجیهشدار محموله‌ی پرریسک
۹۰٪+از تغییرات جذب آب و استحکام کاشی را مدل‌ها از روی مواد اولیه توضیح می‌دهند
جزئیات
تجربه‌ی ما

استقرار ERP و هوش مصنوعی در یک کارخانه‌ی کاشی

اول ERP را مستقر کردیم تا داده‌ی تولید، انبار، فروش و مالی یک‌جا و تمیز جمع شود. حسابداری روی همکاران سیستم ماند و فقط به آن وصل شدیم. بعد هوش مصنوعی را روی همین داده‌ها و سال‌ها سابقه‌ی تولید، طرح‌ها و مشتریان سوار کردیم.

در هر بخش پایین، به همین ترتیب می‌خوانید: ورودی ← کار هوش مصنوعی ← نتیجه ← خروجی. عددهای هر بخش، معیار پروژه‌های مشابه در دنیاست.

داده‌هایی که داشتیم
  • ERP مستقرشده
  • حسابداری همکاران سیستم
  • داده‌های قبلی تولید
  • طراحی‌های قبلی
  • تحلیل مشتریان
  • قراردادها
۱
مواد اولیه

هوش مصنوعی در کیفیت مواد اولیه

هر محموله‌ی خاک و لعاب با قبلی فرق دارد و مشکلش چند روز بعد، در کوره معلوم می‌شود.

  1. ورودیچه داده‌ای داشتیم
    • آنالیز شیمیایی هر محموله
    • رطوبت و دانه‌بندی اسپری‌درایر
    • سابقه‌ی کیفیت محصول نهایی
  2. هوش مصنوعیچه تحلیلی کرد
    • پیش‌بینی جذب آب و استحکام، قبل از تولید
    • مقایسه‌ی اثر واقعی هر تأمین‌کننده روی کیفیت
  3. نتیجهباعث چه شد
    • محموله‌ی پرریسک قبل از ورود به خط اصلاح شد
    • خرید از تأمین‌کننده‌ی بهتر
  4. خروجیچه چیزی تحویل گرفتید
    • هشدار محموله‌ی پرریسک
    • رتبه‌بندی تأمین‌کنندگان
۹۰٪+از تغییرات جذب آب و استحکام کاشی را مدل‌ها از روی مواد اولیه توضیح می‌دهند۱
۲
تولید

هوش مصنوعی در تولید

توقف ناگهانی پرس یا کوره یعنی خط خوابیده، سفارش عقب‌افتاده و انرژی هدررفته.

  1. ورودیچه داده‌ای داشتیم
    • داده‌ی حسگرهای پرس و کوره
    • سوابق خرابی و تعمیرات
    • مصرف گاز و برق
  2. هوش مصنوعیچه تحلیلی کرد
    • پیش‌بینی خرابی قبل از وقوع
    • پیشنهاد برنامه‌ی تولید هفتگی
    • پایش انرژی کوره
  3. نتیجهباعث چه شد
    • تعمیر برنامه‌ریزی‌شده به‌جای توقف ناگهانی
    • برنامه‌ی تولید هماهنگ با سفارش‌ها
  4. خروجیچه چیزی تحویل گرفتید
    • تقویم تعمیرات پیش‌بینانه
    • برنامه‌ی تولید هفتگی
۳۰ تا ۵۰٪توقف کمتر ماشین‌آلات با نگهداری پیش‌بینانه‌ی بالغ۲
۵۶٪ضایعات کمتر در یک کارخانه‌ی کاشی پیشرو در ترکیه پس از دیجیتالی‌شدن۳
۳
کیفیت تولید

هوش مصنوعی در کیفیت تولید و درجه‌بندی کاشی

هر درصد کاشی که به‌جای درجه یک، درجه دو می‌شود مستقیم از سود کم می‌کند.

  1. ورودیچه داده‌ای داشتیم
    • تصویر کاشی‌ها روی خط
    • پارامترهای پرس، لعاب و کوره
  2. هوش مصنوعیچه تحلیلی کرد
    • تشخیص ترک، لب‌پریدگی و لکه
    • پیدا کردن علت هر عیب در همان ساعت
  3. نتیجهباعث چه شد
    • عیب قبل از تولید هزاران متر کاشی بد دیده شد
    • درجه‌بندی یکسان در همه‌ی شیفت‌ها
  4. خروجیچه چیزی تحویل گرفتید
    • درجه‌بندی خودکار
    • گزارش علت عیب هر شیفت
۹۵٪دقت تشخیص عیوب سطحی کاشی در آزمایش‌ها۴
ارزش هر درصد کاشی درجه یک بیشتر، با عددهای خود شمابنچمارک معتبری برای «درصد درجه یک بیشتر» منتشر نشده؛ پس با داده‌ی کارخانه‌ی خودتان حساب کنید.
ارزش افزوده‌ی سالانه۶ میلیارد تومان
عددهای پیش‌فرض فقط نمونه‌اند. میزان بهبود واقعی در پایلوت روی خط شما اندازه‌گیری می‌شود.
۴
انبار

هوش مصنوعی در انبار کاشی

کاشی با تُن و کالیبر متفاوت را نمی‌شود در یک سفارش ترکیب کرد؛ انبار پر است اما سفارش کامل نمی‌شود.

  1. ورودیچه داده‌ای داشتیم
    • موجودی به تفکیک تُن و کالیبر
    • سفارش‌های باز
    • فروش سال‌های قبل
  2. هوش مصنوعیچه تحلیلی کرد
    • بهترین ترکیب لات برای هر سفارش
    • پیش‌بینی تقاضای هر طرح و درجه
    • پیدا کردن موجودی راکد
  3. نتیجهباعث چه شد
    • سفارش‌های بیشتری کامل شد
    • کالای راکد زودتر فروش رفت
  4. خروجیچه چیزی تحویل گرفتید
    • پیشنهاد تخصیص روزانه
    • لیست موجودی راکد با پیشنهاد فروش
۶٪سفارش تکمیل‌شده‌ی بیشتر در یک کاشی‌ساز اسپانیایی۵
۹٪فروش بیشتر در همان کارخانه۵
۵
داشبوردها

داشبوردهای مدیریتی

گزارش ماه گذشته برای تصمیم امروز دیر است و هر واحد عدد خودش را دارد.

  1. ورودیچه داده‌ای داشتیم
    • داده‌ی همه‌ی واحدها از ERP
    • اسناد حسابداری همکاران سیستم
  2. هوش مصنوعیچه تحلیلی کرد
    • یکی کردن عددها
    • هشدار خودکار وقتی شاخصی افت می‌کند
    • جواب به سؤال مدیر به زبان ساده
  3. نتیجهباعث چه شد
    • جلسه‌ها صرف تصمیم شد، نه یکی کردن عدد
  4. خروجیچه چیزی تحویل گرفتید
    • داشبورد مدیرعامل
    • داشبورد تولید و کیفیت
    • داشبورد فروش و مالی
۵ تا ۶٪بهره‌وری بیشتر در شرکت‌هایی که بر اساس داده تصمیم می‌گیرند۶
داشبورد مدیرعاملنمونه
OEE خط ۱۸۲٪
سهم درجه یک۹۱٪
سفارش باز۱۴۲
اسناد مشکوک۷
ش
ی
د
س
چ
پ
ج

چرا پنجشنبه درجه یک افت کرد؟رطوبت گرانول محموله‌ی ۱۲ بالاتر از هدف بود؛ ۷۰٪ عیوب همان روز ترک لبه بوده است.

۶
فروش و بازاریابی

هوش مصنوعی در فروش و بازاریابی

تیم فروش وقتش را میان صدها سرنخ تقسیم می‌کند و بیشترشان هیچ‌وقت خرید نمی‌کنند.

  1. ورودیچه داده‌ای داشتیم
    • سابقه‌ی خرید مشتریان
    • استعلام‌ها و سرنخ‌ها
    • طرح‌های قبلی و فروش هر طرح
    • داده‌ی واردکنندگان خارجی
  2. هوش مصنوعیچه تحلیلی کرد
    • امتیاز به هر سرنخ و تعیین سرنخ‌های برتر
    • پیدا کردن واردکننده و توزیع‌کننده در بازارهای هدف
    • پیشنهاد طرح مناسب برای هر مشتری
  3. نتیجهباعث چه شد
    • فروشنده‌ها روی سرنخ‌های برتر وقت گذاشتند
    • بازار صادراتی تازه پیدا شد
  4. خروجیچه چیزی تحویل گرفتید
    • لیست روزانه‌ی سرنخ‌های برتر
    • کاتالوگ آنلاین شخصی برای هر مشتری
    • پیشنهاد کلکسیون بعدی
۳٫۷ برابراحتمال رسیدن به هدف فروش در فروشندگانی که با هوش مصنوعی کار می‌کنند۷
۶۱٪خریداران B2B که خرید آنلاین بدون فروشنده را ترجیح می‌دهند۹
۱۰٫۹٪صادرات بیشتر وقتی کاتالوگ به زبان خریدار ترجمه شد۸
۷
کارکنان

بهره‌وری کارکنان و مرخصی هوشمند

مرخصی‌ها یا با برنامه‌ی تولید تداخل دارند یا اصلاً گرفته نمی‌شوند، و نیروی تازه‌کار دیر راه می‌افتد.

  1. ورودیچه داده‌ای داشتیم
    • درخواست‌های مرخصی
    • برنامه‌ی تولید و شیفت‌ها
    • سوابق کاری تیم‌ها
  2. هوش مصنوعیچه تحلیلی کرد
    • بررسی هر مرخصی با برنامه‌ی تولید
    • پیشنهاد مرخصی به کسانی که مدت‌هاست استراحت نکرده‌اند
    • دستیار برای کارهای تکراری
  3. نتیجهباعث چه شد
    • مرخصی بدون تداخل با تولید
    • نیروی تازه‌کار سریع‌تر به استاندارد رسید
  4. خروجیچه چیزی تحویل گرفتید
    • تقویم پیشنهادی مرخصی
    • گزارش بهره‌وری تیمی (نه نظارت فردی)
۱۴٪کار بیشتر در ساعت با دستیار هوش مصنوعی — و ۳۴٪ برای نیروهای تازه‌کار۱۰
۵٪بهره‌وری بیشتر با برنامه‌ی شیفت پایدار و قابل پیش‌بینی۱۱
۸
مالی

هوش مصنوعی در مالی

بهای تمام‌شده‌ی واقعی هر طرح معلوم نیست و هزینه‌های اشتباه لابه‌لای هزاران سند گم می‌شوند.

  1. ورودیچه داده‌ای داشتیم
    • اسناد حسابداری همکاران سیستم
    • مصرف مواد، انرژی و ضایعات
    • قراردادها
  2. هوش مصنوعیچه تحلیلی کرد
    • محاسبه‌ی بهای تمام‌شده‌ی هر طرح، سایز و درجه
    • پیدا کردن هزینه‌های اشتباه و پرداخت‌های تکراری
    • خواندن قراردادها و پیدا کردن بندهای پرریسک
  3. نتیجهباعث چه شد
    • قیمت‌گذاری بر اساس هزینه‌ی واقعی
    • هزینه‌های اشتباه زود پیدا شد
  4. خروجیچه چیزی تحویل گرفتید
    • گزارش بهای تمام‌شده
    • لیست اسناد مشکوک
    • خلاصه‌ی ریسک هر قرارداد
۵٪از درآمد سازمان‌ها صرف زیان ناشی از تقلب می‌شود۱۲
۵۰٪زیان کمتر در سازمان‌هایی که داده‌ی مالی را مداوم پایش می‌کنند۱۲

به همکاران سیستم وصل می‌شویم و فقط داده‌ی لازم را می‌خوانیم؛ جایگزینش نمی‌کنیم.

مسیر مشخص

از اتصال داده تا نتیجه‌ی اندازه‌گیری‌شده

زمان دقیق بعد از نیازسنجی مشخص می‌شود.

  1. هفته‌ی ۱ و ۲اتصال داده

    ERP، حسابداری همکاران سیستم، سوابق تولید، طرح‌ها و مشتریان

  2. هفته‌ی ۳ و ۴داشبورد و مالی

    داشبوردهای مدیریتی، بهای تمام‌شده و هزینه‌های غیرعادی

  3. هفته‌ی ۵ تا ۸کیفیت و تولید

    پایلوت روی یک خط با اندازه‌گیری قبل و بعد

  4. هفته‌ی ۹ تا ۱۲فروش و صادرات

    سرنخ‌های برتر، بازارهای خارجی و کاتالوگ آنلاین

  5. پیوستهکارکنان و گسترش

    مرخصی هوشمند، دستیار کارکنان و همه‌ی خطوط

پرسش‌های رایج

پرسش‌های رایج درباره‌ی هوش مصنوعی در کسب‌وکار

هوش مصنوعی در نرم‌افزارهای سازمانی دقیقاً چه کاری انجام می‌دهد؟

داده‌هایی را که همین حالا در حسابداری، تولید، انبار و فروش دارید به هم وصل می‌کند و از آن‌ها پیش‌بینی، هشدار و پیشنهاد می‌سازد: کدام محموله ریسک دارد، کدام دستگاه به‌زودی خراب می‌شود، کدام سرنخ ارزش پیگیری دارد و بهای تمام‌شده‌ی واقعی هر محصول چقدر است.

آیا باید نرم‌افزار حسابداری فعلی (مثل همکاران سیستم) را کنار بگذاریم؟

خیر. به سیستم فعلی شما وصل می‌شویم و فقط داده‌ی لازم را می‌خوانیم. روش اتصال در جلسه‌ی فنی مشخص می‌شود.

هوش مصنوعی در کارخانه‌ی کاشی چطور سهم کاشی درجه یک را بالا می‌برد؟

با پیش‌بینی کیفیت مواد اولیه قبل از تولید، بازرسی تصویری روی خط، و پیدا کردن علت هر عیب در همان ساعت. میزان بهبود را روی خط خودتان اندازه می‌گیریم.

از کجا شروع کنیم؟

از اتصال داده و یک پایلوت با شاخص مشخص. داشبورد مدیریتی و تحلیل بهای تمام‌شده معمولاً سریع‌ترین نتیجه را می‌دهند، چون داده‌اش همین حالا وجود دارد.

چقدر طول می‌کشد تا نتیجه ببینیم؟

داشبوردها و تحلیل مالی در چند هفته‌ی اول آماده می‌شوند. پایلوت کیفیت و تولید حدود یک تا دو ماه اندازه‌گیری لازم دارد.

داده‌های ما کجا نگهداری می‌شود؟

می‌تواند کاملاً روی سرورهای خود شما بماند و مدل‌ها روی زیرساخت داخلی اجرا شوند.

آیا هوش مصنوعی جای کارکنان را می‌گیرد؟

در پژوهش‌های میدانی، بیشترین سود هوش مصنوعی نصیب نیروهای کم‌تجربه شده است. هدف حذف کارهای تکراری و تصمیم بهتر است، نه جایگزینی آدم‌ها.

از داده‌ای که همین حالا دارید شروع کنیم.

۹۰ دقیقه نیازسنجی رایگان؛ بیرون می‌آییم با یک پایلوت و شاخص مشخص.

رزرو جلسه‌ی نیازسنجی