是某一座工廠，還是某一條產線出了問題？
← 所有專案
專案案例 · 第一階段
製造智慧分析平台
端到端分析工程專案，涵蓋可重現的合成資料、Databricks Bronze／Silver／Gold 管線、受治理的 SQL 指標、自動驗收，以及用於製造品質調查的 Tableau 公開儀表板。
查看 GitHub 原始碼 ↗故事起點
假如今天我負責一座工廠的製造品質。
今天早上，我發現良率下降了。我知道數字變差了，但這個數字本身沒有告訴我原因。
是產品、零組件、供應商，還是某一類缺陷造成的？
在採取行動之前，我需要一致的指標與可追溯資料，而不只是另一張圖表。
所以真正的問題變成：
能不能從「良率下降」，一路追到「問題在哪裡、為什麼發生」？
01建立資料製造事實資料
→ 02治理品質Bronze · Silver · Gold
→ 03統一指標良率 · 缺陷 · 產量
→ 04逐層追查工廠 · 產品 · 供應商
→ 05找到證據Dashboard · 根因分析
實際成果
不再只停在「良率下降」這個數字，而是可以一路往下追，直到找到支持判斷的證據。
系統架構
從可控資料走向可解釋的行動。
第一階段完成從合成來源資料、受治理分析層到公開儀表板的 production-like 路徑。
資料來源合成製造資料Python · Parquet · S3
湖倉分層Bronze · Silver · GoldDatabricks · Delta
語意治理治理指標SQL · Quality checks
洞察Tableau · RCA證據 · 行動
品質保障 契約 · 冪等 · 隔離區 · 自動驗收
商業問題
商業問題
當一次良率（FPY）發生變化時，單一彙總 KPI 無法說明這是實際製程問題、局部供應商或零組件異常，還是產品組合改變。平台建立一條可追溯的分析路徑，從整體變化一路找到受治理的證據。
架構與資料契約
架構與資料契約
以 Python 產生可重現的合成製造事實與維度資料，AWS S3 作為來源邊界，再由 Databricks 經 Bronze、Silver、Gold 分層攝取與轉換。Tableau 僅讀取受治理的 Gold 表，不直接使用原始營運資料。
資料品質與可靠性
資料品質與可靠性
Bronze 以宣告式 Schema 驗證資料，將不合格紀錄送入 Quarantine，保存檔案層級稽核資訊，並支援重複批次的冪等處理。Silver 維持 Fact grain 並正規化關聯；Gold 集中管理可加總度量與比率定義。
分析體驗
分析體驗
三個 Tableau 儀表板串接高階監控、品質分析與根因調查。第一階段涵蓋 FPY、缺陷率、生產量、Pareto，以及工廠、產品、供應商、零組件與缺陷等分析視角。
自動化驗收
自動化驗收
Databricks 驗證工作會檢查 Gold 表清單、固定種子的資料筆數、KPI 公式、重複與數量規則，以及五個合成事件應出現的證據。人工驗收只保留 Tableau 版面、互動、篩選器、Tooltip 與最終視覺確認。
安全的公開交付
安全的公開交付
公開 Workbook 僅包含內嵌的合成資料 Extract，不含專有製造資料、即時 Databricks 連線、雲端主機資訊、Warehouse 路徑、Token 或憑證。
工程收穫
工程收穫
可信任的儀表板從視覺化之前就已開始：明確 Grain、指標責任、可重現資料、分層邊界、失敗處理與自動對帳，才能讓分析結果可解釋且可維護。
下一階段
下一階段
進階 Tableau 分析與更深入的調查模式仍在驗證中。AI 輔助解讀、供應鏈交付與 Field RMA 分析，刻意不列入已完成的第一階段範圍。
專案連結