Het project verkortte de tijd om prestatieverbeteringen te identificeren op klantlocaties van zes weken naar minder dan één dag. Dit maakt hooggekwalificeerde experts vrij voor andere belangrijke taken en ondersteunt het nieuwe businessmodel van productiviteitsgerichte servicecontracten. Het geschatte extra jaarlijkse rendement van dit contracttype bedraagt 150 miljoen euro, wat een waanzinnige financiële impact laat zien. Bovendien draagt het optimaliseren van scannerprestaties bij aan technologische vooruitgang en innovatie. Dit project sluit aan bij onze missie “Data voor een betere toekomst” door de efficiëntie en productiviteit in de halfgeleiderproductie te verbeteren, wat essentieel is voor technologische en maatschappelijke vooruitgang.
Analyse
Samen met de domeinexpert definieerden we wat er nu écht belangrijk is om de performantie van een machine te bepalen. We identificeerden hoe “uptime” en “productivity” hand in hand gaan en welke databronnen dit beschrijven. We bepaalden wat de expert nodig had om zijn analyse te doen, hoeveel tijd en effort hij hier voor nodig had en hoeveel hij er per jaar kon doen. Dit gaf een duidelijk beeld van de complexiteit én businesswaarde nog voor we begonnen aan de implementatie van deze oplossing.
Strategie
We tekenden uit hoe de verschillende databronnen samen konden worden gevoegd tot een coherent geheel. Zo’n machine schrijft gemakkelijk enkele honderden gigabytes per jaar, dus het is essentieel om de spreekwoordelijke naald in de hooiberg te identificeren. Vervolgens bekeken we welke datamodellen het beste passen om het doel van performantie-inzichten te bereiken. We ontwikkelden modulaire en schaalbare dataproducten, waarbij ruwe eventlogs werden omgezet in relevante datasets om de prestaties van scanners te verbeteren.
Uitvoering
In een initiële variant, de Proof of Concept, gaven we aan dat dit absoluut impact had: we konden de tijd voor analyse verminderen van enkele weken naar enkele dagen. Vervolgens breidden we het proof of concept uit naar een minimum viable product (MVP). In dit MVP kon je performantie van de gehele vloot zien, iets ongekend voor ASML. We presenteerden dit enkele keren op VP/EVP niveau in de organisatie. We voegden toe wat de reden is voor verminderde performantie, waarmee root cause-analyses en prestatieoptimalisatie mogelijk werden. Hierdoor konden senior leiders en engineeringteams productiviteitsproblemen snel identificeren en aanpakken. We doopten de tool “Where are my Wafers”, omdat het exact dat doet: het geeft een inzicht in de performantie van het systeem én geeft aan waar je kan verbeteren. Tenslotte werden vloot-brede inzichten ook mogelijk. Doet één klant het beter dan de andere? Waarom?
Onderhouden & Schalen
Het systeem werd gebouwd op Azure Databricks en Apache Spark. We bouwden “trusted datasets”, iets wat ASML introduceerde om een gedeelde datafundering te garanderen binnen de organisatie, en waardoor data governance en security op een hoog niveau kan worden toegepast. Het systeem werd volautomatisch, schaalbaar en flexibel ingericht, met duidelijke kennisoverdracht en governance om langdurig succes te ondersteunen.
"Ik vond het echt fijn om met Floris te werken. Hij is een zeer goede luisteraar en kan mijn vereisten vertalen naar de juiste implementatie, waardoor het een extra dimensie krijgt. Dit betekent dat het eindresultaat beter was dan ik ooit had voorgesteld."
