Kurze Antwort: Ein gutes Tableau-Ausbeute-Dashboard besteht zu 80 % aus Datenmodell und zu 20 % aus Diagramm. Bring die chargenbasierte Granularität und die Ausbeutedefinition zuerst richtig hin, und die Visualisierungen bauen sich fast von selbst. Mach sie falsch, und du lieferst ein schönes Dashboard, das still lügt.
Beginne mit der Charge, nicht mit dem Diagramm
Die Versuchung ist, ein paar Felder auf ein Blatt zu ziehen und es ein Dashboard zu nennen. Widerstehe ihr. Die erste Entscheidung ist dein Datenmodell: Was ist die atomare Einheit? Für ein Ausbeute- und Produktions-Dashboard ist diese Einheit die Charge (oder der Sud). Jeder Fakt — Würzevolumen in den Gärtank, Stammwürze, gewonnener Extrakt, Schlauchverlust, abgefülltes Volumen — sollte an einem Chargenschlüssel hängen.
Sobald die Granularität sauber ist, definiere deine Kennzahlen explizit als berechnete Felder. Die Sudhausausbeute ist tatsächlicher Extrakt geteilt durch theoretischen Extrakt aus der Schüttung; der scheinbare Ausbeuteverlust ist die Lücke zwischen ein- und ausgehendem Volumen bei jedem Transfer. Schreibe diese einmal, benenne sie klar und verwende sie überall wieder. Das ist die „Zuerst messen”-Disziplin, die ein Reporting-Werkzeug von einer Dekoration trennt — und es ist dasselbe Fundament, auf das KI-Arbeit später angewiesen ist. Wenn deine Chargendaten unordentlich sind, behebe das vor allem anderen; siehe ein Brauerei-Datenfundament für KI aufbauen.
LOD-Ausdrücke und eine umschaltbare Kennzahl
Ausbeute ist ein Verhältnis, und Verhältnisse mitteln sich nicht sauber. Wenn du einen einfachen Mittelwert des Ausbeuteprozentsatzes jeder Charge nimmst, zählt eine winzige 2-hl-Pilotcharge genauso viel wie ein 200-hl-Produktionssud. Die Lösung ist ein Ausdruck der Detailebene: Verwende { FIXED [Batch ID] : SUM([Extract Recovered]) } und { FIXED [Batch ID] : SUM([Theoretical Extract]) }, dann teile die hochgerollten Summen. Jetzt ist deine Monatsausbeute korrekt volumengewichtet.
Mit solidem Modell füge einen Parameter hinzu, damit der Nutzer die Schlagzeilen-Kennzahl umschalten kann — Sudhausausbeute, hl pro Sud, Tankumläufe pro Monat oder Verlustprozentsatz — ohne vier Dashboards zu bauen. Eine Parameteraktion plus eine CASE-Anweisung in einem berechneten Feld tauscht die Kennzahl im Handumdrehen. Stelle sie im Zeitverlauf dar, füge eine Bezugslinie für dein Ziel hinzu, und du kannst die Geschichte auf einen Blick lesen: Driften wir, halten wir, oder verbessern wir uns?
Tankumläufe verdienen ihre eigene Ansicht. Zähle eindeutige Chargen je Gärtank je Periode, mit Doppelachse gegen die Kapazitätsauslastung, und du kannst sehen, ob Ausbeuteprobleme in Wirklichkeit verkappte Kapazitätsprobleme sind.
Wo es bricht
Sei ehrlich darüber, was dieses Dashboard leistet und was nicht. Tableau zeigt dir die Lücke zwischen tatsächlicher und theoretischer Ausbeute; es schließt sie nicht. Ein Dashboard kann die Maischeeffizienz nicht verbessern, Transfers nicht straffen oder Trubverlust nicht reduzieren. Es macht den Verlust nur so sichtbar, dass jemand handelt.
Das größere Risiko sind unsaubere Eingangsdaten. Wenn Brauer Volumen inkonsistent erfassen, oder Gravitationsmessungen temperaturunkorrigiert sind, oder eine Charge auf zwei Gärtanks aufgeteilt, aber als eine erfasst wird, ist die LOD-Mathematik makellos und die Antwort trotzdem falsch. Tableau fängt das nicht ab — es vertraut deinen Daten vollständig.
Auf der KI-Seite kann Tableau Pulse deine Ausbeutekennzahl überwachen und eine wöchentliche natürlichsprachige Zusammenfassung schicken („Sudhausausbeute 1,8 % unter den vorangegangenen vier Wochen, getrieben von drei niedrigen Chargen”). Das ist für die Frühwarnung wirklich nützlich. Aber Pulse fasst den Trend zusammen; es erklärt keine Kausalität, und seine eingebaute Prognose ist exponentielle Glättung — gut für eine glatte Schlagzeilenzahl, kein Ersatz für ein richtiges Modell, wenn du die Ausbeute aus Schüttung, Maischeprofil und Ausrüstung vorhersagen willst. Dafür würdest du Merkmale über TabPy an ein externes Modell schicken und das Ergebnis visualisieren, mit einer generativen Schicht, die immer nur den Kommentar entwirft, den ein Mensch dann prüft.
Das Fazit
Ein Tableau-Dashboard für Produktion und Ausbeute verdient sein Geld, wenn das chargenbasierte Datenmodell sauber und die Ausbeutedefinitionen explizit sind. LOD-Ausdrücke halten deine Verhältnisse ehrlich, ein Parameter hält die Ansicht flexibel, und Pulse behält den Trend im Auge, damit du es nicht musst. Denk nur daran: Das Werkzeug deckt den Verlust auf — dein Sudhaus schließt ihn.
Teil des Tracks Brewing Science & AI. Verwandt: ein Brauerei-Datenfundament für KI aufbauen.
Häufig gestellte Fragen
Welche Kennzahl sollte man in einem Ausbeute-Dashboard zuerst modellieren? Die Sudhausausbeute (tatsächlich gewonnener Extrakt versus theoretisch verfügbarer Extrakt) ist die Ankerkennzahl. Alles andere — Tankumläufe, Chargenvolumen, Verlust — sollte konsistent aus derselben chargenbasierten Granularität abgeleitet werden, damit die Zahlen zusammenpassen.
Warum LOD-Ausdrücke statt normaler Aggregationen verwenden? Ausbeute ist von Natur aus ein Verhältnis je Charge, und naive Durchschnitte von Verhältnissen sind irreführend. Ein FIXED-Ausdruck der Detailebene fixiert die Berechnung auf die Charge, bevor du sie hochrollst, sodass eine Monatszahl eine echte volumengewichtete Ausbeute ist statt eines Durchschnitts von Durchschnitten.
Kann Tableau Pulse mir sagen, warum die Ausbeute gesunken ist? Pulse markiert den Rückgang und schreibt eine Zusammenfassung des Trends in Klartext, was nützlich ist, um ihn früh zu erkennen. Es diagnostiziert nicht die Ursache — dafür braucht es deine Prozessdaten, das Sudprotokoll und eine Person, die das Sudhaus kennt.