Progetto di Sistemi Informativi (PSI) Lezione 8 : Business Intelligence (BI)

Transcript

1 Progetto di Sistemi Informativi (PSI) Lezione 8 : Business Intelligence (BI) ARCHITETTURA DEI SISTEMI BI MODELLAZIONE DELLE INFORMAZIONI MODELLAZIONE DELLE ESIGENZE

2 SOMMARIO LEZIONE Motori di calcolo (DSS) Motori di presentazione (EIS, reporting) Mining ed altri motori DATA WAREHOUSE CARICAMENTO TRASFORMAZIONE ESTRAZIONE DATA MART DATA ENTRY BASI DATI OPERATIVE BASI DATI OPERATIVE BASI DATI OPERATIVE BASI DATI TRANSAZIONALI Modellazione architettura DFM Modellazione informazioni HIGO : Griglia orientata agli stakeholder per la identificazione dei KPI dei processi BSC : Balanced Score Card (1991) : KPI strategici DFM : Dimensional Fact Model KPI : Key Perfomance Indicators HIGO BSC Modellazione indicatori 2

3 Progetto di Sistemi Informativi (PSI) Lezione 8 : Business Intelligence (BI) ARCHITETTURA DEI SISTEMI BI MODELLAZIONE DELLE ESIGENZE MODELLAZIONE DELLE INFORMAZIONI

4 ARCHITETTURA DEI SISTEMI BI ARCHITETTURA DI RIFERIMENTO LE ESIGENZE INFORMATIVE ANALITICHE LO SCHEMA DEI SISTEMI DI BUSINESS INTELLIGENCE IL LIVELLO DELLE FONTI IL LIVELLO DELLA TRASFORMAZIONE IL LIVELLO DI MEMORIZZAZIONE : DATA WAREHOUSE IL LIVELLO DI MEMORIZZAZIONE : DATA MART E OLAP IL LIVELLO DI ELABORAZIONE DOMANDE DI RIEPILOGO 4

5 OBIETTIVI DI APPRENDIMENTO Identificare gli scopi e le finalità dei sistemi BI nell ambito dei sistemi di impresa Spiegare le caratteristiche del paradigma dei sistemi BI Descrivere le componenti funzionali dei sistemi BI NB: riferimento: Bracchi Francalanci - Motta (2009), CAPITOLO 9 Piattaforme di Business Intelligence e DSS 5

6 ESIGENZE INFORMATIVE ANALITICHE DSS/ BI/ WAREHOUSE Processi strategici e di controllo direzionale ELABORAZIONE ANALITICA P.e. analisi traffico aereo Basi dati finalizzate alla consultazione ed alla analisi dei dati e/o al controllo degli obiettivi OLTP Processi operativi ELABORAZIONE TRANSAZIONI P.e. prenotazioni aeree Basi dati finalizzate all aggiornamento 6

7 DEFINIZIONI OLTP (On Line Transactions Processing) Architettura software, nata con i sistemi di prenotazione aerea ( ), finalizzata alla elaborazione veloce e sicura di singole transazioni immesse da tastiera (committrollback) Basi dati capaci di accettare elevati massicci di di inserimenti DSS (Decision Support Systems) Sistemi software finalizzati alla elaborazione di alberi decisionali (p.e. scelta di un investimento) e/o calcoli gestionali (p.e. budget) WAREHOUSE Base dati detta warehouse in quanto immagazzina dati raccolti da altri sistemi Schema dati finalizzato alla consultazione e non all inserimento BI (Business Intelligence) Definizione generica dei software finalizzati alla analisi di dati memorizzati 7

8 ACRONIMI ABC: Activity Base Costing ABM: Activity Based Management BI: Business Intelligence BW: Business Warehouse (sinonimo di DW) BSC: Balanced Score Card CPM: Corporate Performance Management (sinonimo di SEM) CRM: Customer Relationship Management CSF: Critical Success Factor DBMS: Data Base Management System DSS: Decision Support System DW: Data Warehouse EIS: Executive Information System EPM: Enterprise Performance Management (sinonimo di SEM) ERP: Enterprise Resource Planning ERM: Enterprise Resource Management ES: Enterprise System KPI: Key Performance Indicator MBO: Management By Objectives MRP: Manufacturing Resource Management ODS: Operational Data Store OLAP: On Line Analytical Processing OLTP: On Line Transaction Processing SCM: Supply Chain Management SEM: Strategic Enterprise Management 8

9 CARATTERISCHE DELLE INFORMAZIONI DIREZIONALI ED ANALITICHE Le informazioni direzionali ed analitiche sono Periodiche Prodotte da calcoli od aggregazioni Rispecchiano obiettivi e/o dati effettivi P.e. i dati di Conto Economico di un azienda automobilistica provengono da molteplici SI operativi vendite e distribuzione, ordini di acquisto, sistemi contabili vari Conseguentemente: la progettazione BI é top-down Definisce le variabili che la BI deve elaborare (target data) Individua le fonti informative corrispondenti (source data). Definisce le elaborazioni di estrazione/ trasformazioni necessarie 9

10 SCHEMA DEI SISTEMI DI BUSINESS INTELLIGENCE Accesso Browser fisso Browser mobile Casting Altri client Elaborazione DSS Reporting Mining e altri Memorizzazione Data Warehouse Input e trasformazione Caricamento Trasformazione Estrazione Data Entry Acquisizione dati esterni Fonti basi dati interne transazionali fonti esterne 10

11 SCHEMA DEI SISTEMI DI BUSINESS INTELLIGENCE Motori di calcolo (DSS) Motori di presentazione (EIS, reporting) Mining ed altri motori DATA MART DATA WAREHOUSE CARICAMENTO TRASFORMAZIONE ESTRAZIONE DATA ENTRY BASI DATI OPERATIVE BASI DATI OPERATIVE BASI DATI OPERATIVE BASI DATI TRANSAZIONALI 11

12 ESEMPIO CONTESTO La catena di supermercati ROSSETTI conta 300 punti vendita in 3 regioni; ciascuno di essi offre circa prodotti diversi. Il supporto alle attività operative si basa sulla raccolta dei dati relativi all'ingresso, allo stoccaggio ed all'uscita delle merci nei magazzini dei singoli punti vendita. La cattura dei dati può avvenire in diversi momenti ed a diversi stadi del flusso dei prodotti (logistica in entrata, display scaffale o vendita alle casse). La vendita è registrata dallo scontrino REQUISITI Si vuole osservare l andamento delle vendite. Fatti: Vendite giornaliere unitarie di prodotto per punto di vendita Unità di misura: valore, q.ta, numero scontrini Dimensioni di analisi e loro granularità Tempo : valore giornaliero Prodotto : codice prodotto Punto Vendita: singolo punto vendita Profondità temporale : 24 mesi rolling 12

13 IL LIVELLO DELLE FONTI : ESEMPIO Scontrino # 2002a23b11 Punto di vendita #0021MI Cod art Des Prezzo Qta Importo #190 Pen #69 Mat #90 Lib TOTALE Pagamento Carta P. Data Tabella Anagrafe Prodotto # Articolo # Punto di vendita Descrizione Prezzo Unità di misura della quantità Scorta corrente Scorta a inizio giornata Previsione consumo medio giornaliero Tabella Testata Scontrini # Punto di vendita # Scontrino Importo Mezzo pagamento Data Tabella Dettaglio Scontrini # Scontrino # Articolo Importo Quantità 13

14 IL LIVELLO ESTRAZIONE / TRASFORMAZIONE : SCHEMA Motori di calcolo CARICAMENTO TRASFORMAZIONE ESTRAZIONE Motori di presentazione DATA MART DATA WAREHOUSE DATA ENTRY BASI DATI TRANSAZIONALI Altri motori La estrazione include Selezione dei source data Controllo e pulizia dei source data (data cleaning o data cleansing) Parcheggio dei dati estratti (staging) Log (giornale delle estrazioni) La estrazione può essere Automatica: procedure batch Interattiva : integra e corregge i dati automatici NB Sono spesso usate basi dati intermedie Staging Area (basi dati di appoggio) in cui sono memorizzati i dati estratti (p.e file dei dati di ogni magazzino, file delle anagrafiche ecc.) Operational Data Store (ODS) in cui sono memorizzati e riconciliati i dati estratti di solito con granularità identica a quella delle fonti (p.e. data store scontrini) 14

15 IL LIVELLO DI MEMORIZZAZIONE : SCHEMA Motori di calcolo CARICAMENTO TRASFORMAZIONE ESTRAZIONE Motori di presentazione DATA MART DATA WAREHOUSE Altri motori DATA ENTRY I dati sono memorizzati in Warehouse e Mart Warehouse : base dati tematica estesa, che può arrivare a coprire tutte le esigenze di una impresa Mart : base dati più ridotta, in genere un sottoinsieme della Warehouse. Warehouse e Mart adottano distinti schemi di memorizzazione BASI DATI TRANSAZIONALI 15

16 IL LIVELLO DI MEMORIZZAZIONE : DATA WAREHOUSE: SCHEMA TABELLA CHIAVE 1 CHIAVE1 Proprietà 1 Proprietà 2 Proprietà. TABELLA CHIAVE 2 CHIAVE2 Proprietà 1 Proprietà 2 Proprietà. TABELLA DEI FATTI CHIAVE 1 CHIAVE 2 CHIAVE Proprietà 1 Proprietà 2 Proprietà. TABELLA CHIAVE CHIAVE Proprietà 1 Proprietà 2 Proprietà. subject-oriented, integrated, timevariant (temporal), non volatile collection of summary and detailed data, used to support strategic decision-making process for the enterprise (Inmon 1996) Struttura di memorizzazione orientata alla consultazione formata da due tipi di tabelle Tabelle fatti Tabelle chiavi 16

17 IL LIVELLO DI MEMORIZZAZIONE DATA WAREHOUSE : SCHEMA TABELLE DEI FATTI Memorizzano i valori degli indicatori. Identificate da chiavi multiple, che corrispondono a segmentazioni Aggiungendo fatti nuovi con chiavi diverse : nuovi tipi di tabelle dei fatti. Aggiungendo nuovi fatti con identiche chiavi: modificare il tracciato della tabella fatti TABELLE DELLE CHIAVI Ogni chiave rispecchia un distinto criterio di segmentazione dei fatti Ogni chiave è descritta da un tipo di tabella che specifica la chiave identificativa e le proprietà della chiave Le proprietà delle chiavi possono essere usate come criteri di sotto segmentazione Le tabelle delle chiavi facilitano la consultazione della warehouse (analogamente all indice analitico di un libro) 17

18 IL LIVELLO DI MEMORIZZAZIONE DATA WAREHOUSE : ESEMPIO PDV Punto Vendita (chiave) Descrizione Tipologia CAP TEMPO Data (chiave) Giorno nella settimana Flag feriale / festivo per calendario cristiano locale Data per calendario mussulmano Data per calendario cinese VENDITE (Fact Table) Data (chiave) Prodotto (chiave) PuntoVendita (chiave) Vendite a valore Vendite a qtà Numero scontrini PRODOTTO Prodotto (chiave) Unità di misura per fatturazione Descrizione Numero codice a barre Qtà per confezione Tipo confezione Marca/fornitore Categoria merceologica Macro-categoria La tabella dei fatti (in questo caso = vendite) contiene i valori dei fatti (variabili) e la chiave multipla corrispondente alle dimensioni di analisi applicate Ad una tabella dei fatti corrispondono N tabelle delle chiavi (Tempo, Prodotto, Puntovendita) NB Una stessa tabella chiave (per esempio Tempo) può essere collegata a molteplici tabelle di fatti (p.e. Acquisti) 18

19 IL LIVELLO DI MEMORIZZAZIONE DATA WAREHOUSE: SCHEMA A FIOCCO DI NEVE Settimana /anno Gli schemi DW sono a stella (star schema) od a fiocco di neve (snowflake schema) Categoria Prodotto Fornitore Vendite CAP Punto di vendita Tempo Zona Festa cristiana Calendario cinese Calendario mussulmano Nello schema a fiocco di neve le tabelle delle chiavi sono a loro volta indicizzate Il fiocco di neve può essere il risultato della normalizzazione di una stella Macrocate goria Comune Regione L esempio a fianco è ottenuto dallo schema a stella del caso Rossetti 19

20 IL LIVELLO DI MEMORIZZAZIONE: DATA WAREHOUSE : PASSI DI PROGETTAZIONE Il ciclo che va dalla estrazione dei dati alla creazione del data warehouse è supportato da suite di tool generici con interfacce semplici (Drag & Drop) Progetto di Dati Target Mappatura Dati Source sui Dati Target Generazione del codice di trasformazione 1 Definizione Fonti 5 Creazione del Data Warehouse 6 Estrazione dei Dati 20

21 IL LIVELLO DI MEMORIZZAZIONE: DATA WAREHOUSE : PASSI DI PROGETTAZIONE 21

22 IL LIVELLO DI MEMORIZZAZIONE DATA MART & OLAP Motori di calcolo CARICAMENTO TRASFORMAZIONE ESTRAZIONE Motori di presentazione DATA MART DATA WAREHOUSE DATA ENTRY BASI DATI TRANSAZIONALI Altri motori memorizza le informazioni più frequentemente consultate dallo utente sostituendo in modo efficiente query ad hoc é formato da basi di dati multidimensionali (OLAP) strutturate in ipercubi La tecnologia OLAP può essere MOLAP (multidimensional OLAP) in cui la ipercubo è reale ed esiste sul server ROLAP (Relational OLAP) in cui l ipercubo è un vista volatile formata da una base dati relazionale HOLAP (Hybrid OLAP) in cui sono utilizzate entrambe le tecniche 22

23 IL LIVELLO DI MEMORIZZAZIONE : DATA MART & OLAP Datamart storia vendite Datamart marketing Datamart di filiale Datamart amministrazio ne Datamart analisi vendite Datawarehouse Da una stessa warehouse possono derivare molteplici mart 23

24 IL LIVELLO DI MEMORIZZAZIONE : DATA MART & OLAP: DIMENSIONI DELLO IPERCUBO Centri di Costo CDC ATT. MESE BUDGET MB21000 MB31000 MB41000 MB21000 MB21000 MB21000 MB21000 MB31000 MB31000 MB31000 MB31000 MB41000 MB41000 MB41000 MB GEN FEB GEN FEB GEN FEB GEN FEB GEN FEB GEN FEB Attività Mese Gen Feb Mar Apr ATTIVITA CDC Dimensione OLAP = Chiave warehouse MESE 24

25 IL LIVELLO DI MEMORIZZAZIONE: DATA MART & OLAP TEMPO Tempo (ch) Tempo attributi (da def.) FATTI Tempo (ch) Prodotto (ch) PuntoVendita (ch) Vendite a valore Vendite a qtà PRODOTTO Prodotto (ch) Prodotto attributi (da def.) PUNTO VENDITA PuntoVendita (ch) PuntoVendita attributi (da def.) NB Il dominio del DM, rispetto al DW relazionale: può coincidere (vedi esempio) può essere un sotto-insieme può essere un superinsieme (p.e. + dimensione fase gestionale + variabile costi ottenuta per calcolo) Numero scontrini Promozione Tempo Vendite a qtà PdV Prodotto Promozione Tempo Numero scontrini Prodotto PdV Promozione Tempo Vendite a valore Prodotto PdV 25

26 IL LIVELLO DI MEMORIZZAZIONE: DATA MART & OLAP VISUALIZZAZIONE DI UN IPERCUBO Pagine Colonne Fatti 26

27 IL LIVELLO DI ELABORAZIONE Motori di calcolo CARICAMENTO TRASFORMAZIONE ESTRAZIONE Motori di presentazione DATA MART DATA WAREHOUSE DATA ENTRY BASI DATI TRANSAZIONALI Altri motori Il livello 4 elabora informazioni sintetiche per il management Il livello 4 comprende i motori applicativi per: calcolo (con tecnologia DSS) presentazione, di tipo interattivo guidato, finalizzata ad utenti inesperti (EIS) preparazione di rendiconti, con funzionalità ricche e complesse, finalizzate ad utenti esperti (reporting) motori vari di analisi, p.e. data mining 27

28 IL LIVELLO DI ELABORAZIONE REPORTING Macrofunzionalità dei sistemi di presentazione e reporting Gestione delle elaborazioni e della distribuzione Gestione del formato (editing) Strato semantico di mappatura Datamart Database vari Datawarehouse 28

29 IL LIVELLO DI ELABORAZIONE REPORTING : DEFINIZIONE DOMINIO Scopo del sistema : presentare dati di fonti eterogenee. Obiettivo della definizione dominio: modellare lo schema delle informazioni che il sistema elabora; riclassificare lo schema delle informazioni della collezione di basi dati, data mart, data warehouse, file Lo schema del dominio è articolato in classi Le classi sono formate da dimensioni (= dimensioni OLAP = chiavi warehouse) dettagli delle dimensioni ( = attributi di una dimensione = attributi di una chiave) misure (= indicatori = fatti ). 29

30 IL LIVELLO DI ELABORAZIONE REPORTING : DEFINIZIONE FORMATO Include le operazioni di editing attraverso cui sono costruite le pagine dei report. La funzionalità basilare è definire le informazioni dell universo da riportare nella pagina e gli eventuali indicatori derivati da calcolare (drag and drop sullo schema del dominio) Ulteriori operazioni definiscono l editing vero e proprio della pagina 30

31 IL LIVELLO DI ELABORAZIONE REPORTING: DISTRIBUZIONE 31

32 IL LIVELLO DI ELABORAZIONE CALCOLO : DSS DSS (Decision Support Systems), introdotto intorno al 1980, indica un sistema su elaboratore in grado di assistere processi decisionali con analisi e ricerca di informazioni su di una collezione di fonti strumenti di valutazione e calcolo di un risultato. Negli anni Novanta DSS ha assunto il generico significato di motore di calcolo Aspetto essenziale del motore di calcolo è modellazione Negli anni Novanta, la modellazione del calcolo è stato integrata da evolute interfacce grafiche, che, con di drag and drop, realizzano modelli complessi Campo di applicazione canonico: pianificazione e budgeting finanziario 32

33 IL LIVELLO DI ELABORAZIONE CALCOLO : DSS - ESEMPIO Ricavi a budget Sistema di vendita Sistema amministrativo Ricavi Ricavi Voci economiche e patrimoniali Spese e costi a budget Costi Processi di calcolo Processi di calcolo Memorizzazione e calcolo Dati Processi finanziari di calcolo KPI Processi di calcolo Conto economico Stato patrimoniale Cashflow KPI Elaborazione report Il sistema di controllo deve produrre mensilmente un report con dati economici e patrimoniali e un report con indicatori di efficienza e di efficacia Report finanziario e KPI sono segmentati su quattro dimensioni (= chiavi) : centro di costo/profitto, prodotto, canale, attività I ricavi effettivi sono acquisiti dal SI Vendita, e memorizzati in un data mart; Analogo procedimento per budget di vendita, costi effettivi e costi budget. I data mart sono fusi nei due ipercubi KPI e dati amministrativi e finanziari. Sopra gli ipercubi, è attivato un software di reporting che produce i rendiconti su KPI, Conto Economico, Stato Patrimoniale e sul Cashflow 33

34 IL LIVELLO DI ELABORAZIONE 3 - MOTORI ANALITICI Sistemi di data mining (marketing e ricerca) scoprire in una base di dati associazioni e relazioni non note a priori data mining helps end user extract useful business information from large databases (Berson 1997). NB I software mining sono elemento essenziale dei sistemi analitici usati per il marketing delle aziende ed anche a scopo di ricerca, dove sono usati per calcolare indici predittivi, come per esempio il rischio di abbandono o il rischio di truffa da parte di un abbonato. Sistemi di profilatura dei clienti (Customer Profiling) e sistemi analitico (vedi CRM analitico). 34

35 Progetto di Sistemi Informativi (PSI) Lezione 8 : Business Intelligence (BI) ARCHITETTURA DEI SISTEMI BI MODELLAZIONE DELLE INFORMAZIONI MODELLAZIONE DELLE ESIGENZE

36 Business Intelligence La modellazione delle informazioni: Dimensional Fact Models Obiettivi Concetti Esempio RM Esercizi

37 Obiettivi Scopo di questa lezione è la modellazione funzionale dei fatti (Dimensional Fact Modeling, DFM) Tale modellazione si posiziona Sul livello concettuale Sul dominio dei dati analitici E specifica ed essenziale per la progettazione della warehouse Riferimento: Matteo Golfarelli - Stefano Rizzi, Data Warehouse, McGrawHill, Strategic Analysis / Modeling level Conceptual Analysis / Modeling level Logical Modeling / Implement ation level Master Data Domain Event Data Domain SIRE Other models (e.g. ABE) ER Other models (e.g. C- Graph (ISAC) Relational Model Other models (e.g. Hierarchical) Analysis Data Domain DFM OLAP 37

38 Business Intelligence La modellazione delle informazioni: Dimensional Fact Models Obiettivi Concetti Esempio RM Esercizi

39 Il Dimensional Fact Model (DFM) Foundations Il Dimensional Fact Model (DFM) è un modello concettuale grafico In quanto concettuale il DFM è indipendente dai modelli logici che lo implementano (multidimensionale o relazionale) Il DFM produce schemi dimensionali Dimensional Schema (DS) Ogni DS include Fact Schema (FS) 39

40 Il Dimensional Fact Model (DFM) Concetti Base I componenti FS sono fatti (F), misure (M), dimensioni (D) gerarchie (H). dove F è una informazione descritta da n M. Ogni M descrive un aspetto quantitativo di un F e corrisponde a un KPI D è una chiave di analisi; un fatto può avere molteplici D; in generale un FS include almeno 2 D: 1. tempo (data), in quanto le DW memorizzano serie temporali 2. Un altra dimensione (p.e. prodotto ) senza la quale la analisi sarebbe impossibile 40

41 Il Dimensional Fact Model (DFM) Concetti Base Una gerarchia è un albero direzionato in cui I nodi sono attributi dimensionali Gli archi rappresentano le associazioni molti-a-uno tra attributi dimensionali Una gerarchia racchiude una dimensione, posta alla radice dell albero, e tutti gli attributi dimensionali che la descrivono Una dimensione può avere n gerarchie PSI SI

42 Identificazione Il Dimensional Fact Model (DFM) Descrizione Misure (= KPI) Scheda Indicatore Nome Contenuto Slot Identifica l indicatore Nome Importanza Descrizione Descrizione testuale dello scopo dell indicatore e spiegazione delle variabili utilizzate Descrizione dettagliate Metrica Riporta la formula di calcolo con cui è ottenuto l indicatore Formula calcolo Variabili elementari Riporta le variabili elementari usate dall indicatore ID variabile elementare Commenti Unità di misura Indica la unità di misura con cui é rappresentato un indicatore ID unità misura Valori Dominio Indica se l indicatore usa valori effettivi, obiettivi o di riferimento È l universo cui si riferiscono i valori di un indicatore. Tipo valore Valore Dimensione Descrizione Aggregazione Specifica le formule di aggregazione Formule Fonte Indica i sistemi IT o altre fonti donde sono tratti i dati elementari Nome fonti 42

43 Il Dimensional Fact Model (DFM) Descrizione Misure (=KPI) Produttività Personale Impianto Scalo sulla Composizione dei Treno Merce Nome Contenuto Identificazione Descrizione Metrica Variabili elementari Unità di misura Valori Dominio Aggregazione Fonte 0048-MAN-COST-PROD-02 Calcolare il Tasso di Produttività degli addetti in Ore lavorate Count ( Treni Composti ) / Ore MO diretta 1. Numero Treni composti 2. Ore MO diretta [Treno/Ora] Valore effettivo Valore soglia: da definire Valore obiettivo: da definire Data Cliente Finale Scalo Non applicabile Sistema Informativo Rotabili SIR, Sistema Gestione Personale PSI SI

44 Business Intelligence La modellazione delle informazioni: Dimensional Fact Models Obiettivi Concetti Esempio RM (progetto di Roveda Meazza Locatelli) Esercizi

45 CASO RM/1 I fornitori spediscono i materiali ordinati secondo le scadenze precisate sulcalendario di consegna PMF e le istruzioni e solleciti "in corso d'opera". Tutti I materiali arrivano accompagnati da una bolla del fornitore (XAB). La correttezzaformale dei dati riportati su XAB è verificata mediante le informazioni memorizzatenegli archivi PARTE (anagrafe del materiale) ed ordini del fornitore (ORFOR) efornitore (FOR). Viene emesso un buono entrata (BEN) per ciascun materiale, in cui sono registratigli estremi dell'arrivo, e sono conseguentemente aggiornati i dati degli archiviorfor (progressivo consegnato) e PARTE (progressivo consegnato, scorteglobali, estremi ultimo prelievo). L'aggiornamento è contestuale al controllo della quantità consegnata ed al travaso in contenitori (che è necessario solo per alcunimateriali) Per ogni contenitore o collo di materiale sono emessi dei tagliandi di unità di carico(ucr), che specificano estremi della consegna e quantità contenuta. Una copia di UCR segue fisicamente il materiale in tutti i suoi spostamenti sino al consumo inproduzione. Gli eventuali scarti di quantità o qualità sono riportati sul modulo BEN (quantitàconteggiata, scartata, accettata) e sugli archivi ORFOR (progressivi vari per ordine)e PARTE (scorta, progressivi vari per materiale). Gli scarti di qualità (totali o parziali)sono documentati con una bolla scarto (BSC) ed il materiale relativo vieneaccantonato in una zona esterna. Eventuali richieste di materiale (RPRE) a magazzino rimaste inevase sonosegnalate alla zona di arrivo e vengono soddisfatte inviando direttamente ilmateriale in officina, accompagnato da una copia RPRE. L'invio diretto èdocumentato dalle stesse registrazioni del prelievo da magazzino, descritto inseguito. 45

46 CASO RM /2 Il materiale é trasferito mediante carrelli in una zona di entrata magazzino. Sulla mappa di magazzino (MAPPA) sono ricercate ed impegnate la ubicazioni libere corrispondenti al materiale da immagazzinare. Ad immagazzinamento avvenuto, è registrata la effettiva ubicazione dei materiali esono quindi aggiornate le corrispondenti informazioni su UCR (ubicazione) emappa (ubicazioni occupate). La produzione richiede il prelievo attraverso un apposito modulo (RPRE). Ilmateriale viene ricercando consultando le informazioni contenute in PARTE emappa. Se il materiale è trovato nella quantità richiesta, sono prenotati gli UCR corrispondenti. Se il materiale non è trovato in tutto o in parte, la RPRE trasmessaal ricevimento, come già accennato. A prelievo avvenuto, gli UCR interessati sono "cancellati" dal magazzino e sonoaggiornati i dati memorizzati in MAPPA (ubicazioni liberate) e PARTE (scortaglobale, progressivo prelievi, estremi ultimo prelievo). Il materiale è trasferito alla produzione accompagnato da RPRE. 46

47 47 RM- FLOW

48 Norme Controlli Clienti Consegne (RPRE) Fornitori (FOR) Forniture (ORFOR) UCR Personale Materiali In accettazione Scartati Presi in consegna Timesheet Arrivo (BEN) Scarto (BSC) Transazione CASO RM-ERA MAPPA Spostamenti Process 48

49 DFM - Controlli anno materiale CONTROLLI data mese Numero controlli Efficienza Tempo medio controlli fornitore 49

50 MAC-RM- CONTR-01 Descrizione Metrica Variabili elementari Unità di misura Valori Dominio Aggregazione sulle dimensioni Fonte Numero controlli KPI Numero - Controlli controlli Identifica i controlli svolti durante il periodo temporale considerato L indicatore serve a evidenziare l andamento delle partite di materiale difettoso nel corso dell anno, e a valutare la distribuzione dei controlli Count ( CONTROLLI) CONTROLLI Controlli effettuati sui materiali Scalare Effettivo Obiettivo indifferente (direttamente correlato alle forniture, non di nostro interesse) Soglia indifferente (vedi sopra) Data Fornitore Materiale Σ(CONTROLLI) Controlli 50

51 MAC-RM- CONTR-02 Descrizione Metrica Variabili elementari Unità di misura Valori Dominio Aggregazione dimensioni Fonte Efficienza Efficienza KPI - Controlli Identifica quanti controlli svolge un operatore L indicatore evidenzia quanti controlli mediamente esegue un operatore nel periodo considerato Count ( CONTROLLI) / Count ( PERSONALE) CONTROLLI : Controlli effettuati sul materiale PERSONALE: Personale che lavora all area ricevimento Scalare Effettivo Obiettivo da definire Soglia da definire (oltre un dato valore, si segnala una possibile carenza di personale) Data Fornitore Materiale Non applicabile Controlli 51

52 KPI - Controlli Tempo medio di controllo MAC-RM-CONTR- 03 Descrizione Metrica Variabili elementari Tempo medio di controllo Identifica quanto tempo richiede mediamente un controllo L indicatore evidenzia il tempo medio necessario per un controllo nel periodo considerato Σ(T_CONTROLLO)/Count (CONTROLLI) CONTROLLI: Controlli effettuati sui materiali T_CONTROLLO: Tempo necessario a un controllo Unità di misura Valori Dominio Aggregazione dimensioni Fonte [Tempo] Effettivo Obiettivo da definire (Vogliamo sia più basso possibile, per ottimizzare il processo di controllo) Soglia da definire (Se troppo alto c è qualcosa che non va) Data Fornitore Materiale AVG (Σ(T_CONTROLLO)/Count (CONTROLLI) ) Controlli 52

53 DFM - Cliente anno materiale CLIENTE Numero consegne effettuate Percentuale consegne data mese cliente 53

54 KPI - Cliente Numero consegne effettuate MAC-RM-CLIE-01 Descrizione Numero consegne effettuate Identifica le consegne svolte durante il periodo temporale considerato L indicatore evidenzia l andamento delle consegne a un cliente durante un periodo Metrica Count ( CONSEGNE ) Variabili elementari Unità di misura Valori Dominio Aggregazione dimensioni Fonte CONSEGNE Consegne di materiale effettuate Scalare Effettivo Obiettivo indifferente (direttamente correlato alle richieste, non di nostro interesse) Soglia indifferente (vedi sopra) Cliente Data Materiale Σ(Count ( CONSEGNE )) RPRE 11 PV SI G9 D

55 KPI - Cliente MAC-RM-CLIE-02 Descrizione Metrica Variabili elementari Unità di misura Valori Dominio Aggregazione dimensioni Fonte Percentuale di consegne Percentuale consegne Percentuale di consegne a un cliente rispetto a quelle totali L indicatore serve a evidenziare l andamento delle consegne a un dato cliente rispetto alle consegne totali effettuate in un periodo Count ( CONSEGNE_CLIENTE)/Count(CONSEGNE CONSEGNE: Consegne di materiale effettuate nel periodo in esame CONSEGNE_CLIENTE: Consegne di materiale a uno specifico cliente Scalare (percentuale) Effettivo Obiettivo indifferente (direttamente correlato alle richieste, non di nostro interesse) Soglia indifferente (vedi sopra) Cliente Data Materiale Non applicabile RPRE 55

56 DFM - Fornitori materiale FORNITORI Numero consegne data mese anno fornitore 11 PV SI G9 D

57 KPI - Fornitori Scheda Numero consegne MAC-RM-FOR-01 Descrizione Numero consegne Identifica le forniture ricevute durante il periodo temporale considerato L indicatore serve a evidenziare l andamento delle forniture durante un certo periodo temporale Metrica Count ( FORNITURE ) Variabili elementari Unità di misura Valori Dominio Aggregazione dimensioni Fonte FORNITURE Forniture di materiale ricevute Scalare Effettivo Obiettivo indifferente (direttamente correlato alle richieste, non di nostro interesse) Soglia indifferente (vedi sopra) Data Materiale Fornitore Σ(COUNT(FORNITURE)) ORFOR 57

58 DFM Operazioni personale anno tipo operazione OPERAZIONI PERSONALE Numero operazioni data mese operatore 11 PV SI G9 D

59 KPI Operazioni personale Operazioni MAC-RM-OPERAZ-01 Descrizione Metrica Variabili elementari Nome: Efficienza personale Importanza: Alta Conteggia il numero di operazioni effettuate da ciascun operatore (operatore più efficiente, operatore meno efficiente) operazioni Numero operazioni Unità di misura Valori Dominio Quantità (numero intero) Effettivo: calcolato nelle statistiche Soglia: non ha senso, in quanto più se ne fanno e meglio è Riferimento: da definire, compito della gestione aziendale Codice fiscale operatore, Tempo (data, mese, anno), Tipo operazione Aggregazione dimensioni Max ( operazioni ), Min ( operazioni ) Fonte RPRE, Controlli 59

60 DFM Utilizzo ubicazioni ubicazione UTILIZZO UBICAZIONI Numero utilizzi data mese anno tipologia utilizzo (Carico, Scarico) 60 60

61 KPI Utilizzo ubicazioni MAC-RM-UBICAZ-01 Descrizione Utilizzo ubicazioni Nome: Frequenza utilizzo ubicazioni Importanza: Alta Fornisce la percentuale di utilizzo delle varie ubicazioni per individuare quelle più /meno frequentemente riempite/svuotate Metrica utilizzi_ubicazione / utilizzi_tot *100 Variabili elementari Numero utilizzi ubicazione i, Numero utilizzi totali Unità di misura Valori Dominio Aggregazione dimensioni Fonte Percentuale Effettivo: calcolato nelle statistiche Soglia: soglia inferiore (se il numero di utilizzi è troppo basso, bisognerà riorganizzare MAPPA in modo da non lasciare ubicazioni inutilizzate) Riferimento: non rilevante Ubicazione, Tempo (data, mese, anno), Tipo operazione Max ( utilizzi_ubicazione / utilizzi_tot *100), Min ( utilizzi_ubicazione / utilizzi_tot *100) MAPPA 61