Üretim verisi analizi, makine, parti, vardiya, hammadde ve kalite kayıtlarını ortak bir zaman ve iş emri ekseninde birleştirip bir hatanın ya da duruşun gerçek kaynağını veriyle kanıtlamaktır. Kök neden analizinde amaç tahmin değil, "bu hata yalnızca şu koşullar bir aradayken oluşuyor" diyebilmektir. Bunun için önce verinin birbirine bağlanabilir olması gerekir.
Fabrikada kök neden arayışı gerçekte nasıl ilerliyor?
Tanıdık bir sahne: bir ürün ailesinde fire oranı iki haftadır yüksek. Kalite ekibi hurda kayıtlarını Excel'de tutuyor, bakım ekibi arızaları kendi defterine yazıyor, makine parametreleri PLC'de kalıyor, hammadde partisi ise yalnızca irsaliyede görünüyor. Toplantıda herkes kendi verisine bakıyor ve dört farklı açıklama çıkıyor.
Sorun veri eksikliği değil, verinin birbirinden kopuk olması. Hangi hurdanın hangi makinede, hangi kalıpla, hangi hammadde partisiyle ve hangi vardiyada üretildiğini aynı satırda göremediğinizde kök neden analizi fikir tartışmasına döner. Sonuçta en yüksek sesin tahmini düzeltici faaliyete dönüşür ve hata birkaç hafta sonra geri gelir.
Bu yazı, 8D problem çözme yöntemi ya da SPC ve Cpk gibi yöntemlerin yerine geçmez; onların D4 "kök neden" adımını besleyen veri tarafını anlatır. Yani yöntemi değil, yönteme giren kanıtı nasıl üreteceğinizi.
Kök nedeni veriyle bulamamanın maliyeti
Yanlış kök neden iki kez ödenir: bir kez etkisiz düzeltici faaliyete, bir kez de tekrar eden hataya. Duruş tarafında tablo büyük ölçekli bir araştırmada net görünüyor:
Siemens'in hesabına göre dünyanın en büyük 500 şirketi plansız duruşlar yüzünden yılda yaklaşık 1,4 trilyon dolar, yani gelirlerinin %11'ini kaybediyor. (Siemens — The True Cost of Downtime 2024)
Aynı rapora göre büyük tesislerde ayda ortalama 25 duruş yaşanıyor ve ortalama bir büyük tesis plansız duruşlar yüzünden ayda 27 saat kaybediyor. Hep aynı nedenle yinelenen bir duruş çoğu zaman kök nedeni kapatılmamış bir sorunun işaretidir; bu kaybın hattınızdaki payını OEE hesabıyla görünür kılabilirsiniz.
Verinin kendisine güven de ayrı bir sorun. Drexel LeBow ve Precisely'nin 565 veri uzmanıyla yaptığı 2025 Outlook: Data Integrity Trends and Insights araştırmasında katılımcıların %67'si kurumunun kullandığı veriye tam güvenmediğini söyledi. Veri kalitesi uzmanı Thomas C. Redman ise kötü verinin çoğu şirkete maliyetini gelirin %15-25'i olarak tahmin ediyor (MIT Sloan Management Review, 2017). Üretimde bu, yanlış makineye bakım, yanlış tedarikçiye şikâyet ve yanlış operatöre eğitim demektir.
Üretim verisi analizi için hangi veriler birleştirilmeli?
Kök neden analizinin ham maddesi beş veri ailesidir. Her birinin tek başına anlamı sınırlıdır; değer, aralarındaki bağlantıdan doğar.
| Veri ailesi | Tipik kaynak | Kök nedene katkısı | Bağlantı anahtarı |
|---|---|---|---|
| Makine durumu ve duruşlar | PLC, SCADA, sayaç, andon | Hatanın hangi makinede, ne zaman başladığı | Makine kodu + zaman damgası |
| Proses parametreleri | PLC, sensör, reçete | Sıcaklık, basınç, hız gibi koşulların sapması | Makine + zaman aralığı |
| İş emri ve parti | MES, ERP | Hangi ürünün, hangi hammadde partisiyle üretildiği | İş emri no + parti/lot no |
| Kalite ve hurda | Kalite kontrol, ölçüm cihazı | Hatanın türü, yeri ve miktarı | Parti no + ölçüm zamanı |
| İnsan ve düzen | Vardiya planı, kalıp/takım kaydı | Vardiya, operatör, kalıp değişimi etkisi | Vardiya + makine + zaman |
Tablonun son sütunu kritiktir. Eğer kalite kaydında parti numarası yoksa ya da makine saatleri senkron değilse, bu veriler birleştirilemez. Bu nedenle kurulumda ilk iş, üretim izlenebilirliği için gereken anahtarları sahada kayda almaktır. Eski tezgâhlarda bu bilgi yoksa eski makinelerden veri toplama yöntemleriyle akım, sayaç ve PLC okuması eklenebilir.
Tablodaki "insan ve düzen" satırı için vardiya planı tek başına yetmeyebilir; planlanan ile sahada gerçekleşen farklı olabilir. SmartPass kullanan tesislerde kart okumaları vardiya planına göre puantaja dönüşür; geçiş ve puantaj raporları Excel, PDF ya da CSV olarak alınıp vardiya ve zaman anahtarıyla makine ve kalite verisine eklenebilir.
Veriyle kök neden analizi: 6 adımlık çerçeve
Aşağıdaki akış, klasik kalite araçlarını veriyle çalıştırmanın pratik yoludur. Her adımın çıktısı bir sonrakinin girdisidir.
- Sorunu ölçülebilir tanımlayın. "Fire arttı" değil, "A ürün ailesinde çapak hatası son 14 günde belirgin arttı" gibi; hata kodu, ürün ve dönem net olsun. Göstergeyi tanımlarken KPI belirleme adımları işe yarar.
- Veriyi tek tabloda birleştirin. Beş veri ailesini iş emri, parti ve zaman anahtarıyla eşleyin. Saat farkı olan kaynakları hizalayın; mükerrer ve eksik kayıtları veri kalitesi kurallarıyla temizleyin.
- Pareto ile odaklanın. Hataları tür, makine ve ürüne göre sıralayın. Çoğu zaman birkaç kategori kaybın büyük kısmını taşır; analizi oraya daraltın.
- Tabakalandırın. Aynı hatayı vardiya, makine, kalıp, hammadde partisi ve operatöre göre ayrı ayrı kırın. Hata yalnızca bir tabakada yoğunlaşıyorsa güçlü bir ipucu bulmuşsunuz demektir.
- Hipotezi zaman ekseninde sınayın. Şüpheli parametreyi (ör. kalıp sıcaklığı) hatanın ortaya çıktığı saatlerle üst üste koyun. Değişkenlik ve sapma için kontrol kartı kullanın; ilişki tek başına kanıt değildir, zamanlama da örtüşmelidir.
- Düzeltmeyi veriyle doğrulayın. Önlemi uygulayın, aynı göstergeyi aynı tabakalarla izleyin. Hata oranı yalnızca ilgili tabakada düşüyorsa kök nedeni bulmuşsunuzdur; düşmüyorsa 4. adıma dönün.
Sık düşülen üç tuzak
Birincisi, korelasyonu neden sanmak: iki değişkenin birlikte artması, birinin diğerine yol açtığını göstermez; ortak bir üçüncü etken olabilir. İkincisi, ortalama ile yetinmek: günlük ortalama sıcaklık normal görünürken hatalar kısa sıçramalarda oluşabilir, bu yüzden ham zaman serisine inmek gerekir. Üçüncüsü, "insan hatası" etiketiyle kapatmak: veri genellikle operatörü değil, operatörü hataya iten talimatı, kalıbı ya da ayarı gösterir.
Hangi analiz tekniği hangi soruya cevap verir?
Her soru için ağır bir yapay zeka modeli gerekmez. Pek çok kök neden, doğru birleştirilmiş veride basit tekniklerle görünür hâle gelir.
| Soru | Uygun teknik | Ne zaman yetersiz kalır? |
|---|---|---|
| Kaybın çoğu nerede? | Pareto analizi | Hata kodları tutarsız girildiyse |
| Hata belirli bir koşulda mı yoğunlaşıyor? | Tabakalandırma, çapraz tablo | Anahtar alanlar (parti, kalıp) eksikse |
| Proses kararlı mı, ne zaman kaydı? | Kontrol kartı, zaman serisi | Ölçüm sıklığı olayı yakalayamıyorsa |
| Hangi parametre hatayla birlikte değişiyor? | Korelasyon, regresyon | Çok sayıda etkileşim varsa |
| Normal dışı davranışı önceden görebilir miyiz? | Anomali tespiti, makine öğrenmesi | Etiketli geçmiş veri azsa |
Son satır, analizi geriye dönük kök neden aramaktan erken uyarıya taşır. Sensör akışında sapmayı hata oluşmadan yakalamak için anomali tespiti yaklaşımları devreye girer; bu, özellikle makine kaynaklı sorunlarda kestirimci bakım ile birleşir.
Veriyi analize hazır tutan altyapı
Kök neden analizini her seferinde Excel'de yeniden kurmak sürdürülebilir değildir. Kalıcı bir yapı üç katmandan oluşur.
Toplama katmanı, makine ve sensör verisini sahadan alır. Dağıtık tesislerde bu iş için bir uzaktan izleme ve IoT platformu kullanılabilir; hat içinde ise MES ve üretim yönetimi iş emri, parti ve duruş kaydını üretir. Duruş nedenlerinin sahada doğru girilmesi için andon sistemi iyi bir başlangıçtır.
Birleştirme katmanı, bu kaynakları ERP ve kalite kayıtlarıyla ortak anahtarlarda eşler. Burada bir veri ambarı ve ETL altyapısı tarihsel veriyi saklar; mimariyi veri ambarı ve ETL rehberimizde ayrıntılı anlattık. Saniyelik sensör geçmişi ise ambara değil, sensör verisi için zaman serisi veritabanına yazılır ve analizde ortak zaman anahtarıyla eşlenir.
Görselleştirme katmanı, Pareto, tabaka kırılımı ve zaman serisini aynı ekranda sunar. Burada amaç süslü grafik değil, bir hatadan makineye, partiye ve parametreye iki tıkla inebilmektir. Bu yapıyı BI dashboard ve yönetici panelleri sağlar; tasarım ilkeleri için yönetici paneli kurma rehberine bakabilirsiniz.
Digital Bridge'de bu işi nasıl yapıyoruz?
Hazır paket kurmuyoruz; işe sizin sorununuzdan başlıyoruz. Süreç genellikle dört aşamada ilerliyor.
Keşif ve ihtiyaç analizi. Tekrarlayan bir hata ya da duruş seçiyor, bugün hangi verinin nerede tutulduğunu çıkarıyoruz. Makine, parti, kalite ve vardiya verisi arasında hangi bağlantı anahtarlarının eksik olduğunu somut olarak listeliyoruz. Endüstri 4.0 projeleri için saha değerlendirmesi ücretsizdir.
Veri toplama ve entegrasyon. Eksik anahtarları sahada kayda alıyoruz: gerekiyorsa barkodlu üretim izlenebilirliği ile parti bağını, PLC ve sensör okumasıyla parametre akışını kuruyoruz. MES tarafı Logo, SAP, Mikro ve özel ERP'lerle entegre çalışır; kalite kayıtlarını kalite yönetim sistemi ile aynı veri modeline bağlıyoruz.
Pilot. Tek bir hat ya da ürün ailesiyle başlıyoruz. Seçilen sorunun Pareto, tabaka ve zaman serisi görünümünü kurup ekibinizle birlikte ilk kök neden oturumunu veriyle yapıyoruz. Makine kaynaklı sorunlarda anomali tespiti çözümümüzle sensör akışına erken uyarı ekleyebiliyoruz.
Yaygınlaştırma. Pilotta işe yarayan veri modeli ve ekranları diğer hatlara taşıyoruz. Yazılım ve donanım aynı ekipten geldiği için sensör, veri toplama kutusu ve panel arasında sorumluluk boşluğu kalmıyor. Veri ve analitik alanındaki diğer rehberlerimizi Veri ve Analitik konu sayfasında bulabilirsiniz.
Sonraki adım
Kök neden bulmak için yeni bir yöntem değil, birbirine bağlanmış veri gerekir. Tekrarlayan bir fire ya da duruş sorununuz varsa, onu birlikte ele alıp hangi verinin eksik olduğunu gösterelim. Kısa bir keşif görüşmesi için iletişim sayfamızdan bize ulaşın; mevcut veri kaynaklarınızı inceleyip pilot için yazılı bir kapsam önerelim.