Szablon danych dotyczących zarządzania magazynem

Ten atrybut określa dokładną datę i godzinę każdej zarejestrowanej czynności. Stanowi chronologiczny szkielet dziennika zdarzeń i pokazuje kolejność oraz czas wszystkich operacji magazynowych związanych z danym zamówieniem.

Czas zdarzenia jest niezbędny w analizach process mining opartych na czasie. Służy do obliczania czasu między czynnościami i całkowitego czasu trwania procesu, wykrywania opóźnień oraz analizy wyników procesu w różnych okresach. Dokładne znaczniki czasu są konieczne do utworzenia wiarygodnej mapy procesu i obliczenia miarodajnych wskaźników.

Ten znacznik czasu pozwala prawidłowo ustalić kolejność zdarzeń i obliczyć wszystkie wskaźniki oparte na czasie, takie jak czas cyklu i czas realizacji.

Dane znajdują się w tabelach dziennika zdarzeń lub rekordach transakcji w Manhattan SCALE, obok informacji o czynności. Nazwy pól mogą przypominać „created_ts”, „event_timestamp” lub „status_change_date”.

Ten atrybut rejestruje poszczególne kroki i etapy procesu zarządzania magazynem. Przykłady to „Towar pobrany z miejsca składowania”, „Rozpoczęto pakowanie” i „Wysyłka nadana”. Każda czynność oznacza konkretne działanie wykonane w ramach zamówienia magazynowego.

To ważny atrybut w process mining, ponieważ określa węzły na mapie procesu. Analiza kolejności, częstotliwości i czasu trwania czynności pozwala wizualizować przepływ procesu, wykrywać odstępstwa od standardowego przebiegu i wskazywać wąskie gardła, w których praca się opóźnia.

Określa kroki procesu, stanowi podstawę mapy procesu i umożliwia analizę przebiegu operacji oraz jego odchyleń.

Dane pochodzą z kodów transakcji, dzienników zdarzeń lub tabel aktualizacji statusu w Manhattan SCALE, które śledzą postęp zamówień magazynowych.

Zamówienie magazynowe jest głównym identyfikatorem case, który grupuje wszystkie czynności związane z jednym procesem logistycznym od początku do końca. Umożliwia śledzenie całego cyklu zamówienia w magazynie, niezależnie od tego, czy obejmuje przyjęcie towaru, odłożenie go do miejsca składowania, kompletację, pakowanie czy wysyłkę.

W analizie process mining ten atrybut jest podstawą do odtworzenia przebiegu każdego zamówienia. Powiązanie wszystkich zdarzeń z konkretnym zamówieniem magazynowym pozwala analitykom wizualizować przepływ procesu, mierzyć czas realizacji poszczególnych zamówień oraz wykrywać odchylenia i wąskie gardła wpływające na wydajność realizacji.

To podstawowy identyfikator, który łączy wszystkie powiązane czynności magazynowe w jeden spójny przebieg procesu i umożliwia jego analizę od początku do końca.

Identyfikator znajduje się zwykle w głównych tabelach zarządzania zamówieniami w Manhattan SCALE, na przykład w tabeli nagłówków zamówień.

Ten atrybut wskazuje datę i godzinę ostatniego pobrania danych z Manhattan SCALE i załadowania ich do narzędzia process mining. Informuje, jak aktualne są analizowane dane.

Dzięki tej informacji użytkownicy wiedzą, jak aktualna jest analiza. Mogą sprawdzić, czy korzystają z danych bieżących, czy z migawki z określonego momentu. Ma to znaczenie przy podejmowaniu decyzji operacyjnych i przygotowywaniu raportów.

Informuje o aktualności danych, dzięki czemu wiadomo, jaki okres obejmują analiza i raporty.

Ten znacznik czasu jest zwykle generowany i zapisywany przez narzędzie ETL lub potok danych podczas ładowania danych.

Ten atrybut wskazuje aplikację źródłową, w której wygenerowano dane o zdarzeniu. W tym procesie wartością będzie zwykle „Manhattan SCALE”.

W środowisku z wieloma zintegrowanymi systemami pole to pomaga rozróżniać źródła danych. Informuje o ich pochodzeniu, co może być istotne przy zarządzaniu danymi, rozwiązywaniu problemów i analizie różnic w sposobie rejestrowania danych na poszczególnych platformach.

Informuje o pochodzeniu danych, co ma znaczenie przy zarządzaniu danymi, ich weryfikacji i integracji w złożonym środowisku IT.

Często jest to stała wartość dodawana podczas procesu ekstrakcji, transformacji i ładowania danych (ETL), aby oznaczyć zbiór danych.

Czas zakończenia wskazuje, kiedy czynność dobiegła końca. W połączeniu z czasem rozpoczęcia (EventTime) pozwala dokładnie obliczyć czas realizacji poszczególnych zadań. Nie każde zdarzenie ma osobny czas zakończenia, ale w przypadku takich czynności jak kompletacja czy pakowanie dane te są bardzo przydatne.

W analizie czas zakończenia służy do obliczania wskaźnika „ProcessingTime”, który pomaga ocenić efektywność wykorzystania zasobów i czas trwania zadań. Pozwala ustalić, które czynności zajmują najwięcej czasu i wpływają na łączny czas cyklu oraz ewentualne opóźnienia.

Pozwala dokładnie obliczyć czas realizacji poszczególnych czynności i ustalić, które zadania pochłaniają najwięcej czasu i zasobów.

Dane mogą znajdować się w tych samych dziennikach transakcji co czas rozpoczęcia, w osobnym polu, na przykład „completed_ts” lub „end_time”. Jeśli nie są dostępne bezpośrednio, czasem można je ustalić na podstawie czasu rozpoczęcia kolejnej czynności.

Ten atrybut, często określany jako SKU (Stock Keeping Unit), identyfikuje konkretny produkt związany z czynnością magazynową. Jedno zamówienie magazynowe może obejmować wiele materiałów, obsługiwanych w osobnych pozycjach lub zadaniach.

Analiza procesu według identyfikatora materiału może ujawnić problemy dotyczące konkretnych produktów. Niektóre z nich mogą częściej nie przechodzić kontroli jakości, powodować błędy kompletacji lub wymagać dłuższej obsługi ze względu na rozmiar, wagę albo warunki składowania. Pozwala to lepiej dostosować sposób składowania i obsługi do różnych produktów.

Umożliwia analizę na poziomie produktu i wykrywanie artykułów powiązanych z opóźnieniami, błędami lub poprawkami w procesie.

Dane znajdują się w tabelach pozycji zamówień w Manhattan SCALE, powiązanych z głównym zamówieniem magazynowym.

Ten atrybut zawiera identyfikator użytkownika odpowiedzialnego za wykonanie konkretnego zadania magazynowego, na przykład kompletacji, pakowania lub odkładania towaru. Łączy czynności w procesie z zaangażowanymi pracownikami.

Analiza wyników według identyfikatora użytkownika lub operatora pomaga ocenić wykorzystanie zasobów oraz wydajność poszczególnych osób i zespołów. Ułatwia wskazanie osób osiągających najlepsze wyniki, potrzeb szkoleniowych i rozkładu obciążenia pracą. Dane te są potrzebne w dashboardzie „Wykorzystanie zasobów według operatora” i powiązanych KPI. Pomagają też kierownikom planować obsadę i przydział zadań.

Łączy wyniki procesu z konkretnymi osobami lub zespołami, umożliwiając analizę obciążenia pracą, produktywności i przydziału zasobów.

Informacje te są zwykle zapisywane w dziennikach transakcji w Manhattan SCALE, często w polach takich jak „user_id”, „operator” lub „executed_by”.

Ten atrybut rejestruje zmierzoną ilość towaru w ważnym punkcie procesu, na przykład podczas przyjęcia lub kompletacji. Pokazuje, jaka ilość została faktycznie obsłużona, co może różnić się od planu.

Porównanie rzeczywistej ilości z planowaną pozwala wykryć rozbieżności. Na tej podstawie powstaje dashboard „Trendy rozbieżności w ilościach zamówień” i powiązany KPI. Śledzenie różnic pomaga wskazać problemy z dokładnością dostaw, ewidencją zapasów lub błędami kompletacji, które mogą naruszyć zgodność stanów magazynowych.

Pozwala wykryć różnice między ilościami planowanymi a faktycznie obsłużonymi oraz wskazać potencjalne problemy z dokładnością stanów magazynowych lub błędy operacyjne.

Dane znajdują się w szczegółach transakcji dotyczących czynności takich jak przyjęcie, liczenie lub kompletacja w Manhattan SCALE.

Typ zamówienia określa jego przeznaczenie. Typowe kategorie to wysyłki do klientów (wychodzące), przyjęcia od dostawców (przychodzące), przesunięcia zapasów między lokalizacjami (wewnętrzne) oraz zwroty.

Ten atrybut pozwala podzielić analizę procesu na segmenty. Filtrowanie według typu zamówienia umożliwia porównanie wyników różnych procesów, na przykład przyjęcia i wysyłki. To ważne, ponieważ procesy te często różnią się przebiegiem, zasobami i celami. Analizowanie ich łącznie może prowadzić do mylnych wniosków.

Pozwala oddzielić i porównać różne procesy, na przykład przyjęcia i wysyłki, które mają odmienny przebieg i oczekiwane wyniki.

Dane znajdują się w nagłówku zamówienia w Manhattan SCALE. Pole może nazywać się „order_type”, „transaction_type” lub podobnie.

Ten atrybut określa uzgodniony poziom usług (SLA) lub docelową datę dostawy zamówienia wychodzącego z magazynu. To termin, względem którego mierzy się terminowość operacji magazynowych.

Data ta stanowi punkt odniesienia przy ocenie wyników. Dashboard „Terminowość wysyłek” i KPI „Odsetek wysyłek zrealizowanych na czas” wykorzystują ją do ustalenia, czy zamówienie zrealizowano terminowo. Analiza zamówień, które nie dotrzymały tego terminu, pomaga wykryć systemowe przyczyny opóźnień i poprawić obsługę klienta.

To podstawowy punkt odniesienia przy pomiarze terminowości wysyłek i realizacji uzgodnionego poziomu obsługi klienta.

Dane są zwykle przechowywane w tabeli nagłówków zamówień w Manhattan SCALE i często pochodzą z nadrzędnego systemu ERP lub systemu zarządzania zamówieniami.

Ta obliczana miara określa czas trwania ważnego etapu procesu przyjęcia towaru: od czynności „Przyjęcie i policzenie towaru” do czynności „Odłożenie towaru do składowania”. Pokazuje efektywność pracy przy rampie przyjęć i odkładania towaru na miejsce.

Czas ten jest podstawą dashboardu „Czas od przyjęcia towaru do odłożenia” i powiązanego z nim KPI. Wysokie wartości mogą wskazywać na wąskie gardła przy rampie przyjęć, opóźnienia w tworzeniu zadań odkładania lub nieefektywne trasy przemieszczania. Każdy z tych problemów opóźnia udostępnienie zapasów.

Pozwala osobno mierzyć efektywność ważnego etapu przyjęcia towaru i wykrywać wąskie gardła opóźniające dostępność zapasów.

To pole obliczane jako różnica czasu między zdarzeniami „Przyjęcie i policzenie towaru” oraz „Odłożenie towaru do składowania” dla danego przypadku.

Ta miara określa łączny czas realizacji każdego zamówienia magazynowego, od zdarzenia „Utworzenie zamówienia magazynowego” do zdarzenia „Zakończenie realizacji zamówienia magazynowego”. To KPI pokazuje efektywność całego procesu realizacji zamówienia w magazynie, od początku do końca.

W dashboardach i analizach miara ta daje ogólny obraz wyników. Pozwala śledzić trendy, wykrywać przypadki odstające, czyli zamówienia o wydłużonym czasie realizacji, oraz porównywać wyniki w czasie. Jest podstawą dashboardu „Łączny czas realizacji zamówienia” i powiązanego z nim KPI.

To KPI mierzy szybkość i efektywność realizacji zamówień w magazynie od początku do końca, co bezpośrednio wpływa na zadowolenie klientów i koszty operacyjne.

To pole obliczane jako różnica między znacznikami czasu pierwszego i ostatniego zdarzenia dla każdego zamówienia magazynowego.

Ten atrybut logiczny wykrywa przypadki ponownej pracy, na przykład gdy czynność „Pobranie towaru z miejsca składowania” zostaje wykonana więcej niż raz dla tego samego materiału w ramach jednego zamówienia. Wartość jest wyznaczana na podstawie wzorców w przebiegu procesu.

Wykrywanie ponownej pracy pomaga identyfikować nieefektywne działania i błędy. Umożliwia obliczenie KPI „Odsetek ponownych pobrań” oraz wyodrębnienie przypadków z powtarzającymi się etapami do dalszej analizy. Poznanie przyczyn ponownej pracy pomaga ograniczać koszty operacyjne i poprawiać jakość procesu.

Wykrywa nieefektywne pętle i powtarzające się czynności, które często powodują opóźnienia i zwiększają koszty operacyjne.

To atrybut obliczany zwykle w narzędziu process mining na podstawie reguł wykrywających określone wzorce powtarzających się czynności, takie jak pętle własne lub krótkie pętle.

Ten atrybut logiczny powstaje przez porównanie „Rzeczywistej daty realizacji” z „Wymaganą datą realizacji”. Przyjmuje wartość true, jeśli zamówienie zrealizowano w terminie, i false, jeśli nastąpiło opóźnienie.

Atrybut ułatwia analizę wyników, ponieważ pozwala szybko filtrować i agregować dane. Służy do obliczania KPI „Odsetek wysyłek na czas” i zasila dashboardy pokazujące realizację SLA klientów. Pozwala szybko oddzielić zamówienia zgodne z wymaganiami od tych, które ich nie spełniły, a następnie zbadać przyczyny opóźnień.

Ułatwia raportowanie wyników, zamieniając porównanie dat na prosty wskaźnik true/false, dzięki czemu można łatwo obliczyć odsetek wysyłek zrealizowanych na czas.

Obliczane przez porównanie „ActualCompletionDate” <= „RequestedCompletionDate”. Ta reguła jest stosowana w narzędziu process mining.

Identyfikator wysyłki to identyfikator wyższego poziomu, który łączy jedno lub więcej zamówień magazynowych przewożonych razem tym samym pojazdem lub w ramach tej samej przesyłki. Powiązuje poszczególne zamówienia z konkretnym transportem.

W analizie identyfikator wysyłki pozwala szerzej spojrzeć na operacje logistyczne. Można go wykorzystać do oceny efektywności łączenia zamówień na etapie oczekiwania i załadunku, pomiaru terminowości wysyłek oraz sprawdzenia, jak łączenie zamówień wpływa na łączny czas realizacji.

Łączy wiele zamówień w ramach jednej wysyłki, umożliwiając analizę łączenia zamówień, oczekiwania na wysyłkę i załadunku.

Dane znajdują się w tabelach zarządzania transportem lub wysyłkami w Manhattan SCALE. Identyfikator jest zwykle powiązany z wieloma zamówieniami magazynowymi.

Ten atrybut wskazuje fizyczną lokalizację, na przykład alejkę 5, miejsce 3, poziom C, związaną ze składowaniem lub pobraniem towaru. Zapewnia kontekst przestrzenny dla procesu magazynowego.

Analiza czynności według lokalizacji składowania pomaga optymalizować układ magazynu i przepływ materiałów. Pozwala wskazać często odwiedzane miejsca, nieefektywne trasy kompletacji lub obszary narażone na zatory. Dane te wspierają analizę efektywności odkładania i kompletacji oraz pomagają znaleźć możliwości usprawnienia składowania.

Zapewnia kontekst przestrzenny dla przemieszczeń w magazynie i umożliwia analizę układu magazynu, czasu przemieszczania oraz optymalizację tras kompletacji.

Dane znajdują się w szczegółach zadań odkładania i kompletacji w Manhattan SCALE, w polach takich jak „location_id”, „bin_code” lub „source_location”.

Ten atrybut wskazuje partnera logistycznego lub przewoźnika, na przykład FedEx, UPS albo DHL, przypisanego do wysyłki wychodzącej. Łączy proces magazynowy z dalszym etapem transportu.

Analiza wyników według przewoźnika może dostarczyć ważnych informacji o łańcuchu dostaw. Pozwala sprawdzić, czy współpraca z niektórymi przewoźnikami wiąże się z dłuższym oczekiwaniem w strefie wysyłki, częstymi opóźnieniami lub szczególnymi wymaganiami dotyczącymi obsługi. Informacje te pomagają oceniać przewoźników i usprawniać współpracę logistyczną.

Łączy operacje magazynowe z partnerami logistycznymi i umożliwia analizę wyników według przewoźnika, aby wykryć potencjalne wąskie gardła związane z transportem.

Dane znajdują się w tabelach wysyłek lub planowania transportu w Manhattan SCALE, często powiązanych z nagłówkiem zamówienia.

Ten atrybut określa ilość produktu, którą zgodnie z pierwotnym zamówieniem magazynowym lub instrukcją zadania należało przyjąć, pobrać lub obsłużyć. Stanowi punkt odniesienia do oceny faktycznych operacji.

Wartość tę porównuje się z rzeczywistą ilością, aby obliczyć rozbieżności. Częste różnice między ilością planowaną a rzeczywistą mogą wskazywać na problemy z dostawami od dostawców, dokładnością stanów magazynowych lub kompletacją. Dlatego atrybut ten jest przydatny w analizie jakości i dokładności.

Stanowi punkt odniesienia przy ocenie dokładności ilości i pomaga wykrywać rozbieżności wpływające na stany magazynowe oraz realizację zamówień.

Dane znajdują się w tabelach pozycji zamówień lub szczegółów zadań w Manhattan SCALE.

Miara jest obliczana jako „Rzeczywista ilość” minus „Planowana ilość”. Wartość różna od zera oznacza, że ilość obsłużonego towaru odbiega od oczekiwanej. Wynik może być dodatni, co oznacza nadwyżkę, lub ujemny, co oznacza niedobór.

Atrybut ten stanowi podstawę KPI „Odsetek rozbieżności ilościowych w zamówieniach”. Określa skalę błędów przy przyjęciu lub kompletacji i dostarcza dashboardom miary dokładności ewidencji zapasów. Analiza trendów i przyczyn rozbieżności pomaga zwiększyć precyzję operacji.

Bezpośrednio pokazuje błędy w ewidencji zapasów i realizacji zamówień, ułatwiając śledzenie dokładności oraz finansowych skutków rozbieżności.

To pole obliczane w narzędziu process mining według wzoru: ActualQuantity - PlannedQuantity.

Ten atrybut zawiera znacznik czasu ostatniego etapu procesu magazynowego dla zamówienia, na przykład „Wysyłka nadana”. Wskazuje faktyczny moment zakończenia realizacji.

Porównanie tej daty z wymaganą datą realizacji pozwala obliczyć terminowość wysyłki. To faktyczna informacja o tym, kiedy magazyn zakończył obsługę zamówienia. Analiza tego atrybutu pomaga dokładnie mierzyć czas realizacji zamówień i wyniki względem SLA.

Podaje faktyczny czas zakończenia zamówienia, który służy do obliczania rzeczywistego czasu cyklu i oceny wyników względem wymaganych terminów.

Odpowiada znacznikowi czasu ostatniej czynności w procesie, na przykład „Wysyłka nadana” lub „Zamówienie magazynowe zrealizowane”.

Ten atrybut określa sprzęt do transportu bliskiego (MHE) lub technologię używaną do wykonania zadania magazynowego. Może to być identyfikator konkretnego wózka widłowego, wózka paletowego lub przenośnego skanera RF.

Dane te przydają się do analizy wykorzystania zasobów, nie tylko pracy operatorów. Pomagają zrozumieć sposób użycia kosztownego sprzętu, planować konserwację i zapewnić dostępność odpowiednich narzędzi. Wspierają między innymi KPI „Wykorzystanie zasobów (kompletacja)”, dodając kolejny wymiar analizy.

Umożliwia analizę wykorzystania sprzętu i jego wpływu na wydajność procesu, a także planowanie konserwacji i inwestycji w sprzęt do transportu bliskiego.

Należy sprawdzić dokumentację Manhattan SCALE lub dzienniki systemowe. Informacje te mogą być rejestrowane w danych o wykonaniu zadań, jeśli system skonfigurowano do ich zapisywania.

Ten atrybut rejestruje wynik czynności „Przeprowadzono kontrolę jakości”. Informuje, czy przyjęty towar spełnia wymagane standardy jakości, czy też wymaga dalszych działań.

To ważny atrybut w analizie zarządzania jakością. Pozwala śledzić wskaźnik zgodności kontroli jakości, uwzględniając nie tylko przebieg kontroli, ale też jej wyniki. Analiza odsetka niezgodności według dostawcy lub materiału może pomóc w podejmowaniu lepszych decyzji zakupowych i ograniczyć dalsze koszty związane z towarami niskiej jakości.

Podaje wyniki kontroli jakości i umożliwia analizę jakości dostawców, problemów z produktami oraz skuteczności procesu kontroli.

Należy sprawdzić dokumentację Manhattan SCALE. Dane te prawdopodobnie są przechowywane w tabelach związanych z zarządzaniem jakością lub zadaniami przyjęcia.