Predictive Maintenance

เห็นงานซ่อมทั้งหมดแบบเรียลไทม์

แดชบอร์ดรวมสถานะงานซ่อมไว้ที่เดียว แสดงจำนวนงาน High Priority, Open และ Booked แบบอัปเดตเรียลไทม์ พร้อมสถานะ “The Equipment is not Broken” ที่ช่วยแยกอุปกรณ์ซึ่งยังทำงานได้ปกติออกจากคิวงานจริง ส่วน Pie Chart สรุปงานซ่อมตามระดับความเร่งด่วน ทำให้หัวหน้าทีมจัดสรรช่างและทรัพยากรตามลำดับความจำเป็น ไม่ใช่ตามลำดับที่ใบแจ้งเข้ามา

• จำนวนงาน High Priority / Open / Booked อัปเดตตลอดเวลา
• Pie Chart แยกงานซ่อมตามระดับความเร่งด่วน (Priority Levels)
• ตัวกรองตามช่วงเวลา สาขา ผลิตภัณฑ์ ทีม และประเภทงาน

AI วิเคราะห์ว่าอุปกรณ์ตัวไหนควรเข้าซ่อมก่อน

โมเดล AI/ML วิเคราะห์ Time to maintenance รายอุปกรณ์และรายประเภทผลิตภัณฑ์ เพื่อกำหนดรอบการซ่อมเชิงป้องกันให้เหมาะกับของจริง ไม่ใช่รอบตายตัวตามปฏิทิน ผลลัพธ์ออกมาเป็นตารางอุปกรณ์ที่ควรเข้าซ่อม เรียงตามค่าความมั่นใจของโมเดล

สิ่งที่ทำให้ทีมงานเชื่อผลได้คือแดชบอร์ดเปิดเบื้องหลังให้ตรวจสอบด้วย ทั้งตัวชี้วัดคุณภาพโมเดลอย่าง Accuracy, Recall และ F1 Score, กราฟ Feature Importance ที่บอกว่าตัวแปรใดมีน้ำหนักต่อการทำนายมากที่สุด, correlation heatmap ของตัวแปรเชิงตัวเลข และการกระจายของค่าความมั่นใจ รวมถึงแถบคุณภาพข้อมูลที่รายงานสัดส่วนค่าว่างและค่าซ้ำ ก่อนจะเชื่อคำทำนาย ทีมงานตรวจได้ว่าข้อมูลต้นทางสะอาดพอหรือยัง

• วิเคราะห์ Time to maintenance รายอุปกรณ์และรายประเภทผลิตภัณฑ์
• ตารางอุปกรณ์ที่ควรเข้าซ่อม เรียงตามค่าความมั่นใจของโมเดล
• รายงานคุณภาพโมเดลด้วย Accuracy, Recall และ F1 Score
• Feature Importance, correlation heatmap และแถบคุณภาพข้อมูล

อ่านปัญหาที่เกิดซ้ำจากข้อความในใบแจ้งซ่อม

ข้อความที่ช่างและหน้างานพิมพ์ไว้ในรายงานปัญหามักถูกทิ้งไว้เฉย ๆ ระบบดึงข้อความเหล่านั้นมาวิเคราะห์เป็น Word Cloud ทำให้เห็นทันทีว่าอะไรคือปัญหาที่วนกลับมาบ่อยที่สุด เช่น “POS”, “WiFi”, “ไม่พิมพ์” หรือ “Touch ไม่ติด” ซึ่งเป็นจุดตั้งต้นของการแก้ที่ต้นเหตุ ไม่ใช่แก้ทีละใบ ประกอบกับหน้าประวัติงานซ่อมที่สรุปจำนวนอุปกรณ์ทั้งหมด จำนวนที่อยู่ในสถานะ Critical วันที่ซ่อมล่าสุด และรอบบำรุงรักษาถัดไป

• Word Cloud จากข้อความในรายงานปัญหาจริง
• ประวัติงานซ่อม: จำนวนอุปกรณ์ทั้งหมดและจำนวนที่อยู่ในสถานะ Critical
• วันที่ซ่อมล่าสุดและรอบบำรุงรักษาถัดไปรายอุปกรณ์

หน้าสรุปผู้บริหาร และผู้ช่วยที่ถามเป็นภาษาไทยได้

แดชบอร์ดสร้างบน Microsoft Power BI และมีหน้า Executive Overview แยกไว้สำหรับผู้บริหาร รวมตัวชี้วัดระดับภาพรวม ได้แก่ จำนวนตั๋วงานทั้งหมด ตั๋วที่เปิดและปิด จำนวนอุปกรณ์ที่มีงานซ่อม เวลาเฉลี่ยในการแก้ปัญหา ชั่วโมง Downtime รวม และ SLA Compliance พร้อมกราฟแนวโน้ม Downtime และแผนที่จุดให้บริการ

บนหน้าเดียวกันมีหน้าต่าง Data Assistant ฝังอยู่ ถามเป็นภาษาไทยได้ตรง ๆ เช่นขอให้สรุปกราฟตรงหน้าให้ฟัง แล้วได้คำตอบเป็นบุลเล็ตสั้น ๆ กลับมา

• หน้า Executive Overview สรุปตั๋วงาน เวลาแก้ปัญหาเฉลี่ย Downtime และ SLA
• กราฟแนวโน้ม Downtime และแผนที่จุดให้บริการ
• Data Assistant ถาม-ตอบข้อมูลบนแดชบอร์ดเป็นภาษาไทย