Digitalizzazionedei dati industriali.
CAD, gestionale ed Excel. Un’unica piattaforma per ritrovare commesse, confrontare costi e mettere al lavoro la memoria della fabbrica.
quadri elettrici documentati in CAD
fogli DWG per quadro
record dal gestionale
record dagli Excel storici
I dati di fabbrica, finalmente collegati.
Per ICEL, il patrimonio di anni di produzione era distribuito tra disegni CAD, gestionale, file Excel e archivi locali. Il commerciale cercava riferimenti per le offerte, l’ufficio tecnico cercava commesse confrontabili e la R&S voleva esplorare i progetti passati. Abbiamo costruito una base comune per rimettere in relazione queste informazioni.
- Data engineering
- CAD / DWG
- Database e API
Dentro la piattaforma.
Esplora lo storico, restringi la ricerca, confronta quantità e costi. Un’interfaccia ridisegnata a partire dai dati e dal flusso del progetto originale.
La memoria industriale. Tutta da esplorare.
Lo storico rende consultabili numero di commessa, data, cliente e tipologia di quadro. Informazioni prima distribuite tra fonti diverse entrano nella stessa vista.
Trova il precedente da cui ripartire.
Filtri anagrafici e tecnici permettono di restringere lo storico: cliente, commessa, bassa o media tensione e intervalli delle proprietà elettriche. Una base per individuare forniture confrontabili.
Dal quadro al componente. Dalla stima al consuntivo.
Il dettaglio espande articoli e sottocomponenti e affianca quantità e valori di preventivo, target di commessa e consuntivo. I dati economici tornano così al contesto della fornitura.
Questo progetto nasce in ICEL. Scopri la trasformazione dell’azienda.
Ciò che abbiamo progettato.
Servono estrazione dei dati, relazioni coerenti e un livello API per riunire fonti che hanno formati e significati diversi. Questa base consente di cercare nello storico e prepara i dati per successive analisi e modelli di stima, da sviluppare e validare sul contesto produttivo.
Estrarre dai disegni
Abbiamo sviluppato algoritmi per leggere file CAD/DWG, individuare le pagine rilevanti dall’indice ed estrarre informazioni tecniche. Pattern matching e vicinanza spaziale tra le entità permettono di associare etichette e valori nelle tabelle.
Riconciliare le fonti
Dati estratti dai disegni, articoli del gestionale e anagrafiche Excel sono stati organizzati in un database relazionale PostgreSQL. Commessa e posizione collegano caratteristiche tecniche, quantità e valori economici.
Rendere i dati interrogabili
Processi automatici su AWS leggono i file da S3, li elaborano e alimentano PostgreSQL. Le API Python espongono filtri e ricerche; l’interfaccia React porta lo storico, i dettagli tecnici e il confronto economico nel lavoro quotidiano.
CAD, gestionale ed Excel
Estrazione, PostgreSQL e API
Ricerca e confronto
La memoria della fabbrica.Organizzata per essere usata.
Il valore sta nelle relazioni: ritrovare un prodotto, risalire alla sua commessa e leggere insieme caratteristiche, quantità e costi.
Tre fonti, un unico modello dati.
Disegni CAD / DWG
Informazioni generali e caratteristiche tecniche recuperate dalla documentazione dei prodotti.
- Riferimenti di commessa e posizione
- Descrizioni e identificativi
- Proprietà tecniche e costruttive
Dati del gestionale
Dettagli degli articoli e delle famiglie, con quantità e valori nelle diverse fasi della commessa.
- Preventivo
- Target di commessa
- Consuntivo
Archivi Excel
Lo storico anagrafico completa il contesto del prodotto e permette di collegare i documenti.
- Data e anno
- Cliente, provincia e impianto
- Tipologia e descrizione del prodotto
Da archivi separatia dati che si parlano.
Esplora il percorso che collega disegni, costi e storico delle commesse.
Partire dai dati che esistono già.
Si identificano i documenti tecnici e gli archivi gestionali utili alle domande dell’azienda.
- Disegni CAD / DWG
- Dati di articoli e commesse
- Storico in Excel
Un perimetro di fonti e informazioni da collegare.
Trasformare i file in informazioni.
Gli algoritmi leggono i disegni, individuano i campi e rendono i contenuti uniformi rispetto alle altre fonti.
- Indice e fogli di interesse
- Pattern matching sulle entità
- Associazione spaziale tra i campi
Caratteristiche tecniche strutturate.
Ricomporre la storia di una commessa.
Il database relazionale collega dati tecnici, anagrafiche e valori tramite i riferimenti condivisi.
- Commessa e posizione
- Articoli, famiglie e quantità
- Preventivo, target e consuntivo
Una base dati comune in PostgreSQL.
Trovare le informazioni utili.
Le API espongono filtri e ricerche per caratteristiche. Le viste progettate portano il dato nel contesto della commessa.
- Filtri tecnici e anagrafici
- Ricerca di commesse confrontabili
- Schede e confronto dei valori
Uno storico interrogabile per supportare le decisioni.
Le scelte di sviluppo.
Dall’estrazione nei file DWG all’interfaccia web: componenti distinti, collegati dallo stesso modello dati.
Estrazione dal CAD e ricerca per caratteristiche
L’estrazione usa la struttura e la posizione delle entità nel disegno per ottenere dati utilizzabili.
- Indice e riferimenti
- L’algoritmo legge l’indice per individuare i fogli che contengono i dati di interesse.
- Pattern matching
- Riconosce le entità da cercare e usa un approccio nearest neighbour spaziale per associare i campi complementari.
- Criteri di ricerca
- Le API permettono filtri multipli e ricerche per similarità sulle caratteristiche strutturate dei prodotti e delle commesse.
Database relazionale e servizi di accesso
L’architettura separa conservazione dei file, elaborazione e consultazione dei dati.
- AWS S3 ed EC2
- S3 conserva i file. Un processo su EC2 li legge, li elabora e trasferisce i dati estratti nel database.
- PostgreSQL
- Tabelle dedicate ai dati dei disegni, ai dettagli tecnici delle commesse e alle anagrafiche conservano le relazioni tra le fonti.
- API Python e interfaccia React
- Le API espongono i dati già processati. L’interfaccia riunisce ricerca delle commesse, filtri tecnici, dettaglio degli articoli e confronto di quantità e valori.
La digitalizzazione preparail passo successivo.
Un dato collegato è più semplice da trovare, confrontare e riutilizzare. Questa base sostiene le analisi dell’azienda e prepara lo sviluppo di ulteriori modelli di stima dell’effort produttivo. In ICEL si inserisce nel percorso più ampio di evoluzione dei processi e adozione della Super Intelligence.
Le dimensioni riportate descrivono il perimetro analizzato. I modelli predittivi dell’effort costituiscono un’evoluzione da sviluppare e validare sulla base dati.
Le domande da cui partire
- Quali commesse hanno caratteristiche confrontabili con quella che stiamo preparando?
- Come cambiano quantità e valori tra preventivo, target e consuntivo?
- Quali dati dello storico servono per sviluppare stime dell’effort produttivo?
Ciò che rendepossibile.
- Dati CAD, articoli del gestionale e storico Excel collegati in un’unica piattaforma.
- Commesse ricercabili per cliente, tipologia e caratteristiche elettriche.
- Quantità e valori di preventivo, target e consuntivo leggibili per articolo e sottocomponente.
- Una base strutturata a supporto di offerte, ingegneria e ricerca su nuovi prodotti.
I tuoi dati industriali sono ancora sparsi tra disegni, gestionale ed Excel?
I tuoi dati industriali sono ancora sparsi tra disegni, gestionale ed Excel?
Raccontaci il tuo progetto
Assistente AI per gli asset marittimi.
Consumi, impianti e manutenzione. I dati della nave diventano una conversazione, dalle fonti di bordo alle risposte che servono.