Raaka-ainedatan visuaalinen raportointi ja analytiikka lopputuotteen laadunhallinnassa
Mannila, Pyry (2025)
Kandidaatintyö
2025
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20251222123163
https://urn.fi/URN:NBN:fi-fe20251222123163
Tiivistelmä
Tämä kandidaatintyö tarkastelee, miten raaka-ainedataa voidaan analysoida ja visualisoida valmistavan teollisuuden laadunhallinnan tueksi. Työn tavoitteena oli kehittää Power BI -raportti, joka esittää raaka-aine-erien vaihtelua ja tukee poikkeamien tunnistamista. Aineistona käytettiin yrityksen toimittamaa raaka-ainedataa, joista valittiin kolmen raaka-aineen datat tarkempaan tarkasteluun.
Työ perustuu kirjallisuuskatsaukseen, jossa tarkastellaan teollisuuden data-analytiikan menetelmiä, erityisesti tilastollista prosessinohjausta ja koneoppimista, sekä datan visualisoinnin periaatteita ja niiden roolia laadunhallinnan edistämisessä. Empiirisessä osuudessa raaka-ainedata käsiteltiin ensin Excelissä, jonka jälkeen se vietiin Power BI -ympäristöön ja toteutettiin raportti. Raportin pääelementtinä toimi kontrollikaavio, visualisointi suunniteltiin korostamaan selkeyttä ja kognitiivisen kuorman minimointia.
Tulokset osoittavat, että tilastolliset menetelmät, erityisesti kontrollikaaviot, soveltuvat hyvin monimuuttujaisen raaka-ainedatan yhden muuttujan vaihtelun tarkasteluun. Kehitetty raportti tarjoaa yritykselle työkalun raaka-aineiden laadun seurannan systematisointiin ja mahdollistaa poikkeamien havaitsemisen aiempaa varhaisemmassa vaiheessa. Visualisoinnin yksinkertainen rakenne tukee tiedon tulkintaa ja palvelee sekä operatiivisen seurannan että laadunhallinnan tarpeita. This bachelor’s thesis reviews how raw material data can be analyzed and visualized to support quality management in manufacturing industry. The objective of the thesis was to develop a Power BI report which displays variation between raw material batches and supports detection of deviations. The data used in the thesis was given by the company, from which three raw materials were selected for more detailed examination.
The thesis is based on a literature review examining data analytics methods used in industry, particularly statistical process control and machine learning, as well as principles of data visualization and their role in supporting quality management. In the empirical part, the raw material data were first processed in Excel and then imported into the Power BI environment, where the report was developed. The main element of the report was a control chart, and the visualization was designed to emphasize clarity and minimize cognitive load.
The results indicate that statistical methods, particularly control charts, are well suited for examining the variation of individual variables in multivariate raw material data. The developed report provides the company with a tool for systemizing raw material quality monitoring and enables earlier detection of deviations. The simple structure of the visualization supports data interpretation and serves the needs of both operational monitoring and quality management.
Työ perustuu kirjallisuuskatsaukseen, jossa tarkastellaan teollisuuden data-analytiikan menetelmiä, erityisesti tilastollista prosessinohjausta ja koneoppimista, sekä datan visualisoinnin periaatteita ja niiden roolia laadunhallinnan edistämisessä. Empiirisessä osuudessa raaka-ainedata käsiteltiin ensin Excelissä, jonka jälkeen se vietiin Power BI -ympäristöön ja toteutettiin raportti. Raportin pääelementtinä toimi kontrollikaavio, visualisointi suunniteltiin korostamaan selkeyttä ja kognitiivisen kuorman minimointia.
Tulokset osoittavat, että tilastolliset menetelmät, erityisesti kontrollikaaviot, soveltuvat hyvin monimuuttujaisen raaka-ainedatan yhden muuttujan vaihtelun tarkasteluun. Kehitetty raportti tarjoaa yritykselle työkalun raaka-aineiden laadun seurannan systematisointiin ja mahdollistaa poikkeamien havaitsemisen aiempaa varhaisemmassa vaiheessa. Visualisoinnin yksinkertainen rakenne tukee tiedon tulkintaa ja palvelee sekä operatiivisen seurannan että laadunhallinnan tarpeita.
The thesis is based on a literature review examining data analytics methods used in industry, particularly statistical process control and machine learning, as well as principles of data visualization and their role in supporting quality management. In the empirical part, the raw material data were first processed in Excel and then imported into the Power BI environment, where the report was developed. The main element of the report was a control chart, and the visualization was designed to emphasize clarity and minimize cognitive load.
The results indicate that statistical methods, particularly control charts, are well suited for examining the variation of individual variables in multivariate raw material data. The developed report provides the company with a tool for systemizing raw material quality monitoring and enables earlier detection of deviations. The simple structure of the visualization supports data interpretation and serves the needs of both operational monitoring and quality management.