Power BI'da Üretim Analitiği: OEE, Kalite ve Performans

Birinci sınıf üretim tesisleri %85+ OEE ile çalışır. Ortalama bir üretici %60 oranında çalışır. Bu yüzde 25 puanlık fark doğrudan kapasiteye yansıyor; OEE'yi %60'tan %85'e çıkaran bir tesis, tek bir yeni makine veya kiralama gerekmeden %41 daha fazla üretim sağlıyor. Birinci sınıf ile ortalama arasındaki fark neredeyse her zaman ekipmanla ilgili değildir; israfın görünürlüğü ve onu ortadan kaldıracak verilerle ilgilidir.

MES (Üretim Yürütme Sistemi) ve ERP verilerine bağlı Power BI bu görünürlüğü sağlar. Bu kılavuz, üretim mühendislerinin ihtiyaç duyduğu kesin DAX formülleriyle birlikte OEE hesaplamasını, kalite SPC çizelgelerini, kesinti kök neden analizini ve üretim yönetimini kapsayan eksiksiz bir üretim analitiği platformu oluşturur.

Önemli Çıkarımlar

• OEE = Kullanılabilirlik × Performans × Kalite (dünya standartlarında = %85+)
• Her OEE bileşeni ayrı veri akışları gerektirir: arıza süresi kayıtları, üretim sayıları, hurda kayıtları
• Power BI'daki SPC (İstatistiksel Süreç Denetimi) grafikleri özel görseller veya hesaplanan denetim sınırlarını kullanır
• Kesinti Süresi Pareto analizi (nedenlerin ilk %20'si, kesinti süresinin %80'ine neden olur) öncelikli iyileştirmeyi teşvik eder
• İlk Geçiş Verimi (FPY) ve Milyon Fırsat Başına Kusur (DPMO), temel kalite KPI'larıdır
• Verimlilik analizi, darboğaz teorisini kullanarak fiili ve teorik kapasiteyi karşılaştırır
• Power BI akış veri kümeleri, neredeyse gerçek zamanlı OEE panolarının her dakika güncellenmesine olanak tanır
• ERP entegrasyonu (Odoo Manufacturing, SAP PP, Dynamics 365 SCM) iş emri bağlamı sağlar

---

Üretim Analitiği için Veri Modeli

Temel Üretim Tabloları

Production_Runs (üretim çalıştırması / iş emri başına bir satır):

Kesinti_Olayları (durma başına bir satır):

Quality_Events (kusur/denetim başına bir satır):

Dim_Machine:

• KOD0, KOD1, KOD2, KOD3, KOD4, KOD5, KOD6, KOD7

Dim_Shift:

• KOD0, KOD1, KOD2, KOD3, KOD4, KOD5

---

Power BI'da OEE Hesaplaması

OEE = Kullanılabilirlik × Performans × Kalite

Kullanılabilirlik

Kullanılabilirlik = Gerçek Çalışma Süresi / Planlanan Üretim Süresi

// Planned Production Time (from shift schedule minus planned downtime)
Planned Production Time =
SUMX(
    Production_Runs,
    DATEDIFF(Production_Runs[PlannedStartTime],
              Production_Runs[PlannedEndTime], MINUTE)
)

// Unplanned Downtime (excludes scheduled maintenance, changeovers)
Unplanned Downtime =
CALCULATE(
    SUM(Downtime_Events[DurationMinutes]),
    Downtime_Events[DowntimeCategory] = "Unplanned"
)

// Changeover Time (planned but reduces availability)
Changeover Time =
CALCULATE(
    SUM(Downtime_Events[DurationMinutes]),
    Downtime_Events[DowntimeReasonCode] = "CHANGEOVER"
)

// Actual Run Time
Actual Run Time = [Planned Production Time] - [Unplanned Downtime] - [Changeover Time]

// OEE Availability
Availability =
DIVIDE([Actual Run Time], [Planned Production Time], 0)

Performans

Performans = (İdeal Çevrim Süresi × Toplam Sayı) / Gerçek Çalışma Süresi Veya eşdeğeri: Gerçek Çıkış / Teorik Maksimum Çıkış

// Theoretical Maximum Output at ideal run rate
Theoretical Max Output =
SUMX(
    Production_Runs,
    [Actual Run Time Per Run] / Production_Runs[IdealCycleTime]
)

// Actual total output (good + scrap + rework)
Total Output =
SUM(Production_Runs[ActualQuantity])

// OEE Performance
Performance =
DIVIDE([Total Output], [Theoretical Max Output], 0)

// Performance per machine (for benchmarking)
Machine Performance =
DIVIDE(
    SUMX(Production_Runs, Production_Runs[ActualQuantity]),
    SUMX(Production_Runs,
        DATEDIFF(Production_Runs[StartTime], Production_Runs[EndTime], MINUTE) /
        RELATED(Dim_Machine[IdealCycleTime]) * 60
    ),
    0
)

Kalite

Kalite = İyi Çıktı / Toplam Çıktı (tüm kusurlar hariç)

// Good Quantity (first pass, no rework)
Good Quantity = SUM(Production_Runs[GoodQuantity])

// Total Quantity Produced (good + scrap + rework)
Total Quantity = SUM(Production_Runs[ActualQuantity])

// OEE Quality
Quality Rate =
DIVIDE([Good Quantity], [Total Quantity], 0)

// First Pass Yield (no rework, no scrap)
First Pass Yield =
DIVIDE(
    SUM(Production_Runs[GoodQuantity]),
    SUM(Production_Runs[ActualQuantity]),
    0
)

Genel OEE

// Overall Equipment Effectiveness
OEE =
[Availability] * [Performance] * [Quality Rate]

// OEE Status (for conditional formatting)
OEE Status =
SWITCH(TRUE(),
    [OEE] >= 0.85, "World Class",    -- 85%+
    [OEE] >= 0.75, "Good",           -- 75-85%
    [OEE] >= 0.60, "Acceptable",     -- 60-75%
    "Poor"                            -- <60%
)

// OEE Loss Analysis (what is the primary constraint)
Primary OEE Constraint =
SWITCH(TRUE(),
    [Availability] < [Performance] && [Availability] < [Quality Rate], "Availability",
    [Performance] < [Quality Rate], "Performance",
    "Quality"
)

// OEE trend (for sparkline visualization)
OEE Weekly Avg =
CALCULATE(
    [OEE],
    DATESINPERIOD(Date[Date], LASTDATE(Date[Date]), -7, DAY)
)

---

Kesinti Analizi

Kesinti KPI'ları ve Pareto

// Total Unplanned Downtime Hours
Unplanned Downtime Hours =
DIVIDE(
    CALCULATE(
        SUM(Downtime_Events[DurationMinutes]),
        Downtime_Events[DowntimeCategory] = "Unplanned"
    ),
    60,
    0
)

// Mean Time Between Failures (MTBF)
MTBF =
DIVIDE(
    [Actual Run Time],
    CALCULATE(COUNTROWS(Downtime_Events),
              Downtime_Events[DowntimeCategory] = "Unplanned"),
    0
)

// Mean Time to Repair (MTTR)
MTTR =
AVERAGEX(
    FILTER(Downtime_Events, Downtime_Events[DowntimeCategory] = "Unplanned"),
    Downtime_Events[RepairTimeMinutes]
)

// Downtime % by reason (for Pareto chart)
Downtime Pareto % =
DIVIDE([Unplanned Downtime Hours],
    CALCULATE([Unplanned Downtime Hours], ALL(Downtime_Events[DowntimeReasonCode])),
    0
)

// Cumulative Downtime % (for Pareto 80/20 line)
Cumulative Downtime % =
DIVIDE(
    SUMX(
        FILTER(
            ALL(Downtime_Events[DowntimeReasonCode]),
            RANKX(ALL(Downtime_Events[DowntimeReasonCode]),
                  [Unplanned Downtime Hours], , DESC) <=
            RANKX(ALL(Downtime_Events[DowntimeReasonCode]),
                  [Unplanned Downtime Hours], , DESC)
        ),
        [Unplanned Downtime Hours]
    ),
    CALCULATE([Unplanned Downtime Hours], ALL(Downtime_Events[DowntimeReasonCode])),
    0
)

Kesinti Isı Haritası

Vardiyayla ilgili kalıpları belirlemek için Makine × Günün Saatine göre kesinti süresinin bir ısı haritasını oluşturun:

// Downtime by Hour of Day (for heatmap rows)
Downtime by Hour =
CALCULATE(
    SUM(Downtime_Events[DurationMinutes]),
    Downtime_Events[HourOfDay] = SELECTEDVALUE(HourDim[Hour])
)

---

Kalite Analizi: SPC Grafikleri

İstatistiksel Süreç Kontrol çizelgeleri bir sürecin kontrol altında olup olmadığını izler. Power BI, DAX'taki kontrol sınırı hesaplamalarını kullanarak SPC grafikleri oluşturur.

X-Bar Grafiği için Kontrol Limitleri

// Process Mean (X-bar)
Process Mean =
AVERAGE(Quality_Events[MeasuredValue])

// Standard Deviation of measurements
Process StdDev =
STDEV.P(Quality_Events[MeasuredValue])

// Upper Control Limit (UCL = mean + 3σ)
UCL = [Process Mean] + 3 * [Process StdDev]

// Lower Control Limit (LCL = mean - 3σ)
LCL = [Process Mean] - 3 * [Process StdDev]

// Upper Warning Limit (mean + 2σ)
UWL = [Process Mean] + 2 * [Process StdDev]

// Lower Warning Limit (mean - 2σ)
LWL = [Process Mean] - 2 * [Process StdDev]

// Out of Control flag (point outside 3σ limits)
Out of Control =
IF(
    Quality_Events[MeasuredValue] > [UCL] ||
    Quality_Events[MeasuredValue] < [LCL],
    "Out of Control",
    "In Control"
)

// Process Capability Index (Cpk)
Cpk =
MIN(
    DIVIDE([UCL] - [Process Mean], 3 * [Process StdDev], 0),
    DIVIDE([Process Mean] - [LCL], 3 * [Process StdDev], 0)
)

Temel Kalite KPI'ları

// Defects per Million Opportunities (DPMO)
DPMO =
DIVIDE(
    SUM(Quality_Events[DefectCount]),
    SUM(Quality_Events[SampleSize]) * [Opportunities per Unit],
    0
) * 1000000

// Sigma Level (from DPMO)
Sigma Level =
SWITCH(TRUE(),
    [DPMO] < 3.4, 6,
    [DPMO] < 233, 5,
    [DPMO] < 6210, 4,
    [DPMO] < 66807, 3,
    [DPMO] < 308537, 2,
    1
)

// Defect Rate %
Defect Rate = DIVIDE(SUM(Quality_Events[DefectCount]), SUM(Quality_Events[SampleSize]), 0)

// Scrap Rate
Scrap Rate =
DIVIDE(
    SUM(Production_Runs[ScrapQuantity]),
    SUM(Production_Runs[ActualQuantity]),
    0
)

// Cost of Poor Quality (COPQ)
COPQ =
SUMX(
    Production_Runs,
    (Production_Runs[ScrapQuantity] + Production_Runs[ReworkQuantity]) *
    RELATED(Dim_Product[StandardCost])
)

---

Verim Analizi

Üretim Üretim Hızı KPI'ları

// Actual Throughput (units per hour)
Throughput =
DIVIDE(
    SUM(Production_Runs[ActualQuantity]),
    SUMX(Production_Runs,
        DATEDIFF(Production_Runs[StartTime], Production_Runs[EndTime], HOUR)
    ),
    0
)

// Theoretical Maximum Throughput
Max Throughput =
SUMX(
    Dim_Machine,
    60 / Dim_Machine[IdealCycleTime]  -- Units per minute × 60
) * 60  -- Per hour

// Capacity Utilization
Capacity Utilization =
DIVIDE([Throughput], [Max Throughput], 0)

// Schedule Attainment (actual vs planned quantity)
Schedule Attainment =
DIVIDE(
    SUM(Production_Runs[ActualQuantity]),
    SUM(Production_Runs[PlannedQuantity]),
    0
)

// Changeover Time (as % of planned time)
Changeover % =
DIVIDE(
    [Changeover Time],
    [Planned Production Time],
    0
)

Hat Dengeleme Analizi

Üretim karşılaştırmasını kullanarak darboğaz makinelerini belirleyin:

// Machine Throughput Rate (for bottleneck identification)
Machine Throughput Rate =
DIVIDE(
    CALCULATE(SUM(Production_Runs[GoodQuantity])),
    CALCULATE(
        DATEDIFF(MIN(Production_Runs[StartTime]),
                 MAX(Production_Runs[EndTime]), HOUR)
    ),
    0
)

// Bottleneck indicator (lowest throughput machine in a line)
Is Bottleneck =
IF(
    [Machine Throughput Rate] = MINX(
        FILTER(ALL(Dim_Machine), Dim_Machine[Line] = SELECTEDVALUE(Dim_Machine[Line])),
        [Machine Throughput Rate]
    ),
    "Bottleneck",
    "OK"
)

---

Üretim Kontrol Paneli Mimarisi

Sayfa 1: OEE Özeti

• OEE göstergesi (mevcut ve birinci sınıf %85 hedefi)
• Kullanılabilirlik, Performans, Kalite — üç KPI kartı
• 30 günlük OEE trendi (çizgi grafik)
• Makineye göre OEE (çubuk grafik, düşükten yükseğe doğru sıralanmıştır)
• Vardiyaya göre OEE (çubuk grafik — vardiya performansı farklılıklarını belirleyin)
• OEE ısı haritası (Makine × Haftanın günü)

Sayfa 2: Kesinti Analizi

• Toplam planlanmamış kesinti saatleri (KPI kartı)
• MTBF ve MTTR (iki KPI kartı)
• Arıza Süresi Pareto (kombinasyon çubuğu + kümülatif %'li satır)
• Makineye göre aksama süresi (yatay çubuk grafik)
• Vardiyaya göre kesinti süresi (gruplandırılmış çubuk)
• Kesinti süresi eğilimi 90 gün (çizgi grafik)
• Aktif kesinti olayları (akış yapılıyorsa gerçek zamanlı tablo)

Sayfa 3: Kalite Kontrol Paneli

• İlk Geçiş Verimi (gösterge ve hedef)
• DPMO ve Sigma Seviyesi (KPI kartları)
• Ürüne göre Hurda Oranı (çubuk grafik)
• COPQ trendi (kalite sorunlarının maliyetini gösteren çizgi grafik)
• Kusur koduna göre Pareto kusuru
• SPC Tablosu (UCL, LCL, UWL, LWL referans çizgilerini içeren çizgi grafiği)

Sayfa 4: Verim ve Kapasite

• Program Kazanımı %'si (gösterge)
• Fiili ve Planlanan üretim (güne göre gruplandırılmış çubuk)
• Makineye göre kapasite kullanımı (ısı haritası)
• Geçiş süresi analizi (ürüne/makineye göre çubuk grafik)
• Üretim çıktı eğilimi (alan grafiği, gerçek ve hedef)
• Darboğaz makinesi vurgulama tablosu

---

Sıkça Sorulan Sorular

OEE nedir ve üretim için neden önemlidir?

OEE (Genel Ekipman Etkinliği), üretim verimliliği için altın standart ölçümdür. Üç faktörü birleştirir: Kullanılabilirlik (ekipmanın olması gerektiği zamanda çalışması), Performans (doğru hızda çalışması) ve Kalite (iyi parçalar üretmek). %60 OEE, teorik kapasitenizin yalnızca %60'ını gerçekleştirdiğiniz anlamına gelir; diğer %40'ı atıktır. OEE'nin iyileştirilmesi, yeni ekipmana sermaye yatırımı yapmadan doğrudan üretimi artırır.

Power BI, gerçek zamanlı OEE için MES sistemlerine bağlanabilir mi?

Evet — çoğu MES sistemi (Ignition SCADA, GE Proficy, Siemens MES, Rockwell FactoryTalk) veritabanı bağlantısını (SQL Server, Oracle) veya REST API erişimini destekler. Power BI bu veritabanlarına bağlanır ve gerçek zamanlıya yakın güncellemeler için (her 30 saniye ila 1 dakikada bir) akış veri kümelerini kullanabilir. Gerçek zamanlı OEE (saniyenin altında) için, doğrudan tesis alanı sensörlerinden aktarılan Power BI Akışı veri kümeleriyle Azure IoT Hub veya Event Hub'ı kullanın.

Bir fabrikanın OEE'yi izlemeye başlamak için hangi verilere ihtiyacı vardır?

Temel OEE için minimum veri gereksinimleri: (1) Üretim sayım verileri — makine ne zaman çalıştı ve kaç birim üretildi, (2) Kesinti olayları — makine ne zaman durdu ve neden, (3) Kalite sayıları — kaç iyi ve kusurlu birim üretildi. Bu, manuel operatör girişinden (Excel/paper → Power BI), temel MES veya PLC sayaç verilerinden gelebilir. Başlamak için mükemmel verilere gerek yoktur; kusurlu OEE görünürlüğü bile iyileştirme sağlar.

Power BI'da nasıl SPC grafiği oluşturabilirim?

Ölçüm değerlerinin ana seri olduğu bir çizgi grafiği oluşturun. Grafiğe ayrı çizgi serileri olarak dört ek ölçü (UCL, LCL, UWL, LWL) ekleyin. UCL/LCL'yi kırmızı kesikli çizgiler olarak ve UWL/LWL'yi turuncu kesikli çizgiler olarak biçimlendirin. Veri noktalarındaki koşullu biçimlendirme, kontrol dışı noktaları kırmızı renkte vurgular. AppSource'un yerleşik SPC özel görseli, temel kontrol limiti yaklaşımının ötesinde Western Electric kural tespitini (merkezin altında/üstünde çalışır, trendler vb.) sağlar.

Power BI üretim panosunu uygulamaya geçirmek için gerçekçi bir zaman çizelgesi nedir?

Temel bir OEE kontrol paneli (tek makine, SharePoint listesi veya Excel aracılığıyla manuel veri girişi) 1-2 hafta içinde oluşturulabilir. MES ve ERP'ye (çoklu makine, çok hatlı, kaliteli SPC, aksama süresi Pareto ve üretim analizi içeren) bağlı tam bir üretim analitiği platformu genellikle 6-12 hafta sürer. En uzun aşama her zaman veri entegrasyonu ve veri kalitesidir; analizlerin değer katmasından önce makine zaman damgalarının, arıza süresi neden kodlarının ve ürün değişimlerinin tutarlı bir şekilde yakalanması gerekir.

ECOSIRE, Power BI'ı Odoo Manufacturing'e nasıl bağlar?

Odoo Manufacturing, üretim iş emirlerini, malzeme tüketimini, kalite kontrollerini ve bakım taleplerini PostgreSQL'de saklar. ECOSIRE, Power BI'ı doğrudan Odoo'nun PostgreSQL veritabanına (okuma kopyası üzerinde) bağlar ve üretim tablolarını (mrp.prodüksiyon, mrp.workcenter, kalite.check, bakım.request) bu kılavuzda açıklanan OEE veri modeline göre modeller. İş merkezi düzeyinde kapasite planlaması ve kalite entegrasyonunu Odoo ERP entegrasyon uygulamamızın bir parçası olarak ele alıyoruz.

---

Sonraki Adımlar

Power BI'daki üretim analitiği, üretim alanı verilerinize bağlandığında birinci sınıf üreticileri ortalama performans gösterenlerden ayıran gerçek zamanlı görünürlük sağlar. OEE, arıza süresi kök neden analizi ve kalite SPC çizelgeleri, operasyon ekiplerine sorunlar daha da büyümeden iyileştirmeleri için gerekli bilgileri sağlar.

ECOSIRE, MES sistemlerine, ERP platformlarına (Odoo, SAP, Dynamics 365) ve IoT veri akışlarına bağlı üretim kontrol panelleri oluşturur. Power BI kontrol paneli geliştirme hizmetlerimiz, veri modeli tasarımından üretime hazır kontrol panellerine kadar tüm üretim analitiği yığınını kapsar.

Fabrikanızdaki veri kaynaklarını tartışmak ve ölçülebilir OEE gelişimini destekleyen bir Power BI analiz platformu tasarlamak için üretim analitiği ekibimizle iletişime geçin.