.png){kind=icon}
返回
A big data-driven system for smart continuous improvement
.png){kind=icon}
OA
AI
DOI：10.1007/s42452-025-07802-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数字化和自动化的不断推进，提升了数据分析在减少浪费和成本、优化资源以及增强可持续性方面的重要性。然而，随着流程接近其优化极限，传统分析方法变得不足。本研究引入了ImproveXpert4.0，一个基于大数据的平台，旨在通过六个算法模块从流程数据中挖掘可操作的见解。这些模块运用机器学习、可解释人工智能、运筹学和统计方法，用于根本原因分析、瓶颈检测、模拟、预测、人员绩效评估和变异预测。ImproveXpert4.0的开发采用了设计科学研究方法论，其算法已在实际的制造和物流环境中得到验证。其概念基础通过两个关键工件呈现：(1) DMAIC-PDCA结构流程图，概述其操作逻辑和算法集成；(2) 高级架构，详细说明技术基础设施。叙事性文献综述以及与获奖组织Kaizen专家的半结构化访谈所获得的见解，帮助定义了系统设计的实际需求。该平台通过倡导一种结构化、数据驱动的数字化组织持续改进方法，为理论与实践均做出了贡献。
Keyword:
Semi-Structured Interviews
Data-Driven System
Continuous Improvement
Root Cause Analysis
Performance Analysis
High-Level Architecture
期刊
D
IF:
2.4
论文数:
1.6K
被引数:
492
机构
引用论文
A multidimensional analysis of data quality for credit risk management: New insights and challenges
PREAI
分享收藏A typology of reviews: an analysis of 14 review types and associated methodologies评论的类型学: 对14种评论类型和相关方法的分析
OAAI
OAAI分享收藏Brochado, Â.F.; Rocha, E.M.; Addo, E.; Silva, S. Performance Evaluation and Explainability of Last-Mile Delivery. Procedia Comput. Sci. 2024, 232, 2478–2487. [Google Scholar] [CrossRef]Brochado, Â.F.; Rocha, E.M.; Addo, E.; Silva, S. 最后一公里配送的性能评估与可解释性。Procedia Comput. Sci. 2024, 232, 2478–2487. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Predicting data science sociotechnical execution challenges by categorizing data science projects
PREAI
分享收藏
查看更多内容