DIESE GESCHICHTE WURDE VOM KUNDEN ZUR EXTERNEN VERÖFFENTLICHUNG FREIGEGEBEN. TEILEN SIE SIE GERNE! >> Lesen Sie sie hier auf JMP.com
Ein neuer Ansatz zur Kapazitätsmodellierung führt eine TI-Fabrik von der reaktiven Validierung zur proaktiven Überwachung um
Ein Interview mit der Wirtschaftsingenieurin Michelle Beauchemin von Texas Instruments
Texas Instruments (TI) ist ein führendes US-amerikanisches Halbleiterunternehmen. Mit mehr als 80.000 analogen und eingebetteten Verarbeitungschipprodukten verfügt TI über eines der umfassendsten Halbleiterportfolios der Welt. Die internen Fertigungskapazitäten des Unternehmens haben Jahrzehnte des Wachstums ermöglicht.
Die Wirtschaftsingenieurin Michelle Beauchemin kam 2015 als Prozessingenieurin zu TI. Nachdem sie ihre aktuelle Position im Wirtschaftsingenieurwesen übernommen hatte, erkannte sie die Möglichkeit, den Einsatz statistischer Tools und Automatisierung auszuweiten, um im TI-Werk in South Portland, Maine, bedeutende Verbesserungen herbeizuführen.
Michelle unterhielt sich während des Discovery Summit Americas 2023 in Palm Springs, Kalifornien, mit Meg Hermes, Customer Alliance Managerin von JMP.
Meg: Sie sagten, Sie verwenden JMP seit Ihrem ersten Tag bei Texas Instruments.
Michelle: In dieser Funktion habe ich hauptsächlich Datenexploration und ein wenig DOE-Arbeit durchgeführt, obwohl ich damals noch kein umfassendes Verständnis von JMP oder seinen Funktionen hatte. Erst als ich vor etwa einem Jahr eine Funktion als Wirtschaftsingenieur übernahm, beschloss ich, mich wirklich damit zu befassen und zu lernen.
Es gab auch ein bestimmtes Projekt, an dem ich arbeiten wollte – die Validierung eines Teils unseres Kapazitätsmodells. Zunächst sah es so aus, als ob ich Excel oder Spotfire zur Auswahl hätte, aber das würde nicht funktionieren. JMP erfüllte alle meine Anforderungen für dieses Projekt, da es anpassbar war.
Da ich JMP brauchte und einen Anwendungsfall dafür hatte, stürzte ich mich kopfüber hinein. Seitdem sind viele Tage vergangen, an denen ich Excel nicht einmal geöffnet habe, was ich mir vor einem Jahr nicht hätte vorstellen können! Mittlerweile verlasse ich mich bei fast allem auf JMP.
Meg: Erzählen Sie mir etwas über die Modellvalidierung. Wie hat alles angefangen?
Michelle: Unser Kapazitätsmodell – derzeit ein Excel-Modell – basiert auf der Verarbeitungsgeschwindigkeit verschiedener Werkzeuge. Jeder Werkzeugsatz führt eine Vielzahl von Rezepten aus, und wir speichern die Geschwindigkeits- und Durchsatzdaten – im Wesentlichen Teile pro Stunde – für jedes Rezept für jeden Werkzeugsatz. Diese Durchsatzwerte ändern sich im Laufe der Zeit, sei es aufgrund der Verschlechterung des Werkzeugs selbst oder weil wir eine absichtliche Änderung vorgenommen haben, und das Modell ist nicht mehr genau, wenn wir es nicht bei Änderungen der tatsächlichen Prozesse auf dem neuesten Stand halten. Und manchmal fügen wir neue Rezepte hinzu und müssen dann auch diese Geschwindigkeiten dokumentieren.
Im Grunde ist es sehr schwierig, jede Änderung für alles, was passiert, zu dokumentieren – und sicherzustellen, dass das Modell jederzeit die richtigen Werte hat. Indem ich den Durchsatz für jedes Rezept historisch für tatsächliche Prozessläufe ermittle – und diese Informationen dann nehme und Verteilungen nach Rezept aufzeichne – kann ich Variationen im Zeitverlauf und über den gesamten Datensatz hinweg erkennen.
Es ist wichtig, während des Durchsatzvalidierungsprozesses eine große Menge historischer Verarbeitungsdaten einzubeziehen, um sicherzustellen, dass wir die bestmögliche Leistung des Tools erfassen, nicht nur die durchschnittliche Leistung. An anderen Stellen im Modell haben wir auch die Ineffizienzen modelliert. Aber wenn Sie Ihre durchschnittliche Prozessgeschwindigkeit mit Ihren bekannten Ineffizienzen kombinieren, zählen Sie die Ineffizienzen doppelt. Es ist immer ein gewisses Maß an manueller Überprüfung erforderlich, um sicherzustellen, dass ich keine falschen oder nicht standardmäßigen Läufe einbeziehe. Und dann gehe ich jedes Rezept methodisch durch, um auszuwählen, wo die Grenze dessen gezogen werden soll, was wir modellieren möchten. Durch Skripting in JSL konnte ich den Prozess der Datenbearbeitung und der Konstruktion der Ergebnisse in einem interaktiven Dashboard automatisieren, und ich kann den Prozess für jedes Toolset wiederholen, wobei ich nur wenige Minuten für die Einrichtung des Skripts benötige.
Ich habe diese Validierung zunächst für einen Werkzeugsatz durchgeführt und dabei festgestellt, dass wir viel mehr Kapazität hatten, als wir dachten. Wir mussten nicht so viele Ressourcen in die Verbesserung des Durchsatzes stecken, wie wir dachten. Und ich konnte es den Prozess- und Industrietechnikteams anhand von Daten demonstrieren.
Die Möglichkeit, Durchsatzvalidierungsdaten mit überzeugenden Visualisierungen zu untermauern, ist wirklich wirkungsvoll, da die Aktualisierung der Zahlen eine große Veränderung darstellt. Sie müssen viele Leute überzeugen.
Meg: Welche Auswirkungen hat eine solche Entdeckung auf das Geschäft?
Michelle: Bevor wir die Zahlen aktualisierten, wollten wir Zeit und Ressourcen darauf verwenden, die Kapazität für dieses Toolset dringend zu erhöhen. Und da unser Management uns dazu bewog, die modellierte Kapazität auf Grundlage der Durchsatzanalyse anzupassen, konnten wir diese Ressourcen wirkungsvolleren Verbesserungsprojekten zuweisen. Wir mussten keine Prozessänderungen vornehmen, die sich möglicherweise auf die Qualität ausgewirkt hätten.
Es war also eine große Entscheidung. Ich musste mir sicher sein, dass ich sagen konnte: „Auf der Grundlage dieser Analyse verfügen wir über genügend Kapazität, um den geplanten Startmix auszuführen, ohne Änderungen an diesem Prozess vornehmen zu müssen.“
Meg: Was haben Sie getan, um sicherzustellen, dass auch Ihr Management dieses Vertrauen in die Entscheidung teilt?
Michelle: Ich begann damit, meine Analyse mit Prozessingenieuren und dem Manager der Gruppe mit diesem Toolset zu teilen. Er ist ein großer JMP-Befürworter. Er ist sehr geschickt im Scripting und sehr datenorientiert. Er war also daran interessiert, zu sehen, was ich vorstellte. Er versteht den Wert der Erstellung der Analyse aus historischen Prozessdaten und ist in dieser Hinsicht mein Befürworter. Er sagte: „Das macht sehr viel Sinn. Das ist wirklich gut. Das sollten Sie weiter machen.“
Und ich vertraute ihm genug, um meinen Ansatz auf der Grundlage seines Feedbacks anzupassen. Beispielsweise wollte er sich ein anderes Lastmuster ansehen, bevor er eine Entscheidung traf, und als ich mit diesen Daten zurückkam, passten wir unsere Zahlen an.
Seine Unterstützung für das Projekt, sein Eintreten dafür, es einem breiteren Publikum zu präsentieren, und die Möglichkeit, es dem Management vorzustellen, waren von großem Nutzen. Das breitere Publikum sah auch die Möglichkeit, diese Art der Analyse auf andere Toolsets und eine breitere Nutzung auszuweiten.
Meg: Es ist so wichtig, einen Fürsprecher zu haben. Das kann wirklich den entscheidenden Unterschied machen.
Michelle: Es war wirklich ermutigend, auf allen Ebenen Managementunterstützung zu haben, um meine Arbeit voranzutreiben. Sie haben den Wert sehr schnell erkannt und unterstützt.
Meg: Wir alle wollen für ein solches Unternehmen arbeiten! Ich höre ständig Leute sagen: „Unsere Führung ist sehr traditionell“ und es ist inspirierend zu hören, wie es bei TI auf allen Unternehmensebenen Befürworter der Analytik gibt. Das ist es, was Innovationen vorantreibt.
Michelle: Die Unterstützung, die ich von Managern erhalten habe, seit ich meine Analyse erstmals mitgeteilt habe, hat mir die Zeit und den Raum gegeben, weiter an diesem Projekt zu arbeiten und es voranzutreiben und auszubauen.
Ich habe von mehreren Leuten die Bitte erhalten, die Analyse für andere Toolsets zu wiederholen, wenn es darum geht, die Kapazität zu bewerten. Jetzt fragen sie: „Können wir das Modell validieren?“ Es ist wirklich schön, dass man mir vertraut, wenn ich mit einer Analyse zum Team zurückkomme, die besagt: „Das Modell ist korrekt“ oder „Wir müssen einige Aktivitäten durchführen, um die Kapazität für dieses Toolset zu erhöhen.“
Ich habe die Daten, um diese Schlussfolgerung visuell zu untermauern, und auch das Vertrauen in meinen Prozess. Ganz zu schweigen davon, dass die Leute meiner Meinung nach der Analyse vertrauen, wenn sie JMP-Diagramme sehen. Das Teilen von Daten in diesem Format schafft Vertrauen.
Meg: Was ist das Endziel der Modellvalidierung im großen Maßstab – und wie erreichen Sie es?
Michelle: Das Endziel besteht darin, über etwas zu verfügen, das sowohl die Überwachung als auch die Validierung ermöglicht.
Ich muss ein Validierungstool erstellen, das auch jemand anderes verwenden kann, denn im Moment kann ich es verwenden, aber ich mache vielleicht Annahmen oder habe Unsicherheiten [die ich berücksichtigen kann], da ich weiß, wie es aufgebaut ist. Ich möchte einige Tools einbauen, die anderen Benutzern helfen, zu erkennen, welche Punkte sie beachten, welche sie ausschließen und wie sie den Unterschied zwischen beiden verstehen können.
Ab dann erfolgt eine kontinuierliche Überwachung, um Durchsatzänderungen zu erkennen, wenn sie auftreten, und keine Validierung mehr, die auf historische Daten zurückblickt.
Meg: Eine völlige Änderung der Denkweise, von reaktiv zu proaktiv. Das ist wirklich aufregend.
Michelle: Das ist es. Ich bin wirklich froh, dass ich genügend Zeit hatte, etwas zu bauen, das ich vorführen konnte, um Zustimmung zu erhalten. Jetzt heißt es: „Okay, das ist Ihr Projekt. Sie haben freie Hand, daran zu arbeiten, wann immer Sie müssen.“
Ich liebe es auch einfach, daran zu arbeiten! Es fühlt sich komisch an, in meinem Job an etwas zu arbeiten und innezuhalten und zu denken: „Ich sollte das nicht tun. Ich liebe es zu sehr! Irgendetwas muss falsch sein.“ Aber dann wird einem klar: „Nein, das ist genau das, was ich tun sollte.“
Meg: Sie haben Ihren Traumjob – und das alles, weil Sie eine Idee aufgegriffen und umgesetzt haben! Diese Geschichte sollte andere Menschen dazu inspirieren, ihre Datenkenntnisse zu verbessern und zu erkunden, was möglich ist, wenn man etwas mehr statistisches Wissen mitbringt.
Michelle: Das ist sicherlich das Ziel. Wir haben in unserem Werk in Maine eine JMP Inspire-Veranstaltung abgehalten und es hat mir großen Spaß gemacht, bei der Planung der Veranstaltung mitzuhelfen und sie in mein Werk zu bringen, um allen zu zeigen: „Sie verwenden JMP für kleine Dinge hier und da. Aber haben Sie erkannt, was Sie sonst noch alles damit machen können?“
Ich möchte alle an meinem Standort dazu ermutigen, JMP für Dinge zu verwenden, für die sie bisher nicht daran gedacht haben. Versuchen Sie einfach mal, ein paar Tage lang kein Excel zu öffnen! Übertragen Sie alles in JMP und probieren Sie es aus.
Und ich muss sagen, JMP macht den Einstieg in die Skripterstellung so einfach. Wenn man erst einmal diese Hürde genommen hat und sieht, wie viel ein Skript leisten kann, eröffnen sich einem einfach so viele Möglichkeiten. Ich hoffe, ich kann andere dazu ermutigen, zu dieser Erkenntnis zu gelangen.
Meg: Sie haben das JMP Inspire-Event erwähnt und ich bin sicher, dass TI auch andere JMP-Schulungsmöglichkeiten anbietet. Schulungen erfordern jedoch einen erheblichen Zeitaufwand. Wie argumentieren Sie gegenüber dem Management, dass Schulungen die Zeit der Ingenieure wert sind?
Michelle: Unser Management unterstützt JMP und die Verwendung von Statistiken bereits sehr, daher sehe ich es nicht als „Argumente vorbringen“, sondern eher als „Hier ist eine Chance, die die Leute begeistern kann.“
Wir verwenden JMP so häufig – auch nur zur Visualisierung –, dass es für das Management sehr sichtbar ist. Es gibt viel Unterstützung von oben nach unten, um JMP zu erlernen und seine Fähigkeiten zu verbessern und neue Mitarbeiter auf den neuesten Stand zu bringen.
Diese Woche habe ich beim Discovery Summit viel über den „Aufbau einer Kultur der Datenkompetenz“ gehört. Aber ich denke, Texas Instruments ist schon da. Die Herausforderung besteht nicht darin, Analytik einzuführen, sondern sicherzustellen, dass wir [das optimale Gleichgewicht zwischen Fach- und Statistikwissen] beibehalten. Wenn die Leute in den Ruhestand gehen, wollen wir ihr technisches Wissen nicht verlieren.
Wenn Sie am Anfang Ihrer Karriere stehen und Leute über Analytik reden hören, verstehen Sie die technische Anwendung noch nicht vollständig. Es ist leicht, die Schlagworte zu wiederholen, ohne den Kern dahinter zu verstehen. Ich denke also, dass die Herausforderung, vor der wir stehen, darin besteht, das wahre technische Wissen als Grundlage der Datenkompetenz wieder einzuführen. Ich habe noch einen langen Weg vor mir, was die Entwicklung meiner eigenen statistischen Kenntnisse angeht, und der Discovery Summit hat mir gezeigt, wie wichtig es ist, diesen Weg weiterzugehen.
Meg: Jeder befindet sich auf dem Weg zur Analytics-Reife an einem anderen Punkt. Sie sind vielleicht schon weiter fortgeschritten, und das bedeutet nicht, dass es keine Herausforderungen gibt – es sind nur andere Herausforderungen.
Michelle: Ich habe auch den Eindruck, dass manche Unternehmen Statistiker oder Datenanalysten haben, die beratend zur Seite stehen und dabei helfen, Experimente zu entwickeln und Ergebnisse zu analysieren. Das ist in keiner Weise unsere Aufgabe. Bei TI ist jeder für sein eigenes Experimentdesign und seine eigene Analyse verantwortlich. Wir alle müssen ein gewisses Grundverständnis haben, um unsere tägliche Arbeit erledigen zu können.
Das heißt nicht, dass wir keine Experten haben – die haben wir definitiv. Wir haben Statistikexperten, die Sie gerne beraten und Ihnen helfen, wenn Sie Fragen haben, aber sie sind nicht für diese Rolle bestimmt. Sie sind Prozessingenieure oder Manager, die auch viel Erfahrung in Statistik haben.
Meg: Mit dieser Struktur können Sie die statistische Leistungsfähigkeit der gesamten Organisation steigern.
Michelle: Von der Managementseite von TI gibt es bei uns viel Unterstützung für die Analytik. Und ich hoffe, dass ich dazu beitragen kann, diese Analytikkultur aufrechtzuerhalten – indem ich zum Discovery Summit komme und das Gelernte dann mit in die Fabrik nehme –, um meine Kollegen zu unterstützen und ihnen das Selbstvertrauen zu geben, etwas Neues auszuprobieren. Wir mussten die Leute nur dazu motivieren, sich tiefer mit JMP zu befassen, und ich denke, das wird viele Ergebnisse bringen.
Meg: Können Sie mir ein Beispiel geben, wo Ihrer Meinung nach die Möglichkeit besteht, den Nutzen von JMP zu steigern?
Michelle: Automatisierung ist eine große Sache. Ich habe noch nicht viel mit Workflow Builder herumgespielt, aber ich sehe viele Möglichkeiten für diejenigen, die ihre Aufgaben automatisieren möchten, sich aber mit Skripten nicht wohl fühlen. Wir alle haben sich wiederholende Analysen und manche Leute sind sich einfach nicht bewusst, wie einfach es sein könnte, diese Aufgaben zu automatisieren, angefangen mit Workflow Builder.
Wenn man erst einmal ein Projekt automatisiert hat, sieht man, wo man sonst noch Automatisierung gebrauchen könnte, und das ist wirklich aufregend. Ich hatte dieses Gefühl, als ich die Modellvalidierung automatisierte, an der ich gerade arbeite. Als ich anfing, dachte ich: „Oh mein Gott, ich kann es kaum erwarten, das auch für all die anderen Projekte zu tun, an denen ich arbeite!“
Meg: Woher kommt Ihre Leidenschaft? Was inspiriert Sie dazu, mit so viel Energie an Ihre Arbeit heranzugehen?
Michelle: Im Alltag liebe ich das Programmieren. Aber außerhalb des Alltags ist mir die Fabrik einfach eine Herzensangelegenheit. Ich bin eine halbe Stunde südlich von [der TI-Fabrik] aufgewachsen und jedes Mal, wenn ich auf der Autobahn vorbeifuhr, sah ich das Schild. Als ich in der Mittelschule war, habe ich im Rahmen eines Sommercamps die Fabrik besichtigt und dachte mir: „Hier will ich arbeiten.“ Und jetzt will ich es!
Wenn man in der Prozesstechnik tätig ist, kann es schwierig sein, das große Ganze zu sehen, weil man sich so sehr auf das konzentriert, was gerade passiert: „Ich muss das hier in Gang bringen“, „Ich muss diese Qualifikation bestehen“ oder so etwas in der Art. Aber als ich in die Industrietechnik wechselte, kam dieser Funke zurück: „Ich liebe diese Fabrik.“
Das Gefühl, in der Fabrik eine Rolle zu spielen, ist unglaublich aufregend. Ich liebe es, den Erfolg der Fabrik im Gesamtbild zu sehen und das Gefühl zu haben, Teil einer größeren Gemeinschaft zu sein.
Meg: Ich verstehe! Das Gleiche gilt für JMP und die Community, die wir hier haben und die Leute sind, die mit Leidenschaft Daten zur Problemlösung nutzen.
Michelle: Letzte Woche habe ich gerade mit meinem Kollegen gesprochen und ihn gefragt: „Macht es Ihnen Spaß, Puzzeln zu machen, weil Ihnen das Endergebnis gefällt? Oder machen Sie Puzzeln gern, weil es Ihnen Spaß macht, die Teile zusammenzusetzen?“ Und seine Antwort war: „Oh, ich sehe gern das Endergebnis.“
Ich dachte: Für mich ist das Endergebnis nicht unbedingt das Wichtigste. Ich mag die Suche und die Belohnung, die man bekommt, wenn man das kleine Stück findet, und das fühlt sich für mich sehr nach Programmieren an. Man hat eine Idee von etwas, das man tun möchte. Man beginnt mit nur ein paar Zeilen. Man testet es, und vielleicht funktioniert es nicht. Vielleicht muss man etwas überarbeiten, und dann funktioniert es. Und das ist dann nur ein Schritt im Prozess.
Ich freue mich über jede kleine Entdeckung und jeden Erfolg auf dem Weg. Der Schaffensprozess ist genauso spannend wie die Schöpfung, die man am Ende erschafft. Ich habe das Glück, sowohl am Prozess beteiligt zu sein als auch das Ergebnis zu teilen und zu sehen, was es bewirkt.
