Enabling Data-Driven Resource Planning at Cyient

Abstract

Detta kandidatarbete undersöker hur Cyient, en organisation specialiserad på lösningar inom ingenjörskonst, tillverkning, nätverk och drift, kan integrera och förbättra sin datadrivna resursplanering. Att finjustera resurstilldelningsprocesserna för att bättre stämma överens med strategiska mål och marknadsbehov framstår som en betydande möjlighet, givet tillgången på stora mängder data och kraftfulla analytiska verktyg. Studiens primära syfte är att utforska hur datadrivna metoder kan höja Cyients operationella effektivitet och beslutsförmåga, för att därigenom ge företaget en konkurrensfördel i den snabbföränderliga tekniksektorn.

I studien analyseras Cyients befintliga procedurer för resursplanering genom en kvalitativ forskningsmetodik, för att identifiera befintliga problem och ineffektiviteter. Datainsamlingen genomfördes med enkäter riktade till olika företagsintressenter, från projektledare till ledande befattningshavare. Denna metodik underlättade förståelsen för organisationens beredskap och de potentiella hinder som finns för implementering av datadrivna strategier.

Resultaten indikerar att det finns ett betydande erkännande av de fördelar som datadriven planering medför, såsom förbättrad precision i prognoser och optimering av resurser, men flera hinder finns kvar. Dessa inkluderar kulturellt motstånd, variationer i datakvalitet och fragmentering av informationssystem. Avhandlingen föreslår ett konceptuellt ramverk som integrerar avancerad analys, maskininlärning och realtidsdatabehandling för att överkomma dessa utmaningar.

Arbetet erbjuder en grundlig granskning av övergången till datadriven resursplanering, vilket gagnar både den akademiska världen och praktiska tillämpningar. Genomförandet av de föreslagna strategierna kan leda till förbättrad operationell effektivitet och utveckling av en innovativ datadriven kultur.

This thesis investigates how Cyient, an organization that specializes in engineering, manufacturing, networks, and operations solutions, could integrate and improve its data-driven resource planning. Refining resource allocation procedures to better fit with strategic objectives and market needs is a big opportunity presented by the availability of large amounts of data and powerful analytics tools. Finding out how data-driven approaches may improve Cyient's operational effectiveness and decision-making skills will be the main goal to provide the company with a competitive edge in the quickly changing technology sector.

The study explores Cyient's current resource planning procedures using a qualitative research approach to pinpoint problems and inefficiencies. A survey with a variety of firm stakeholders from project managers to senior executives was used to gather data. This method made it easier to comprehend organizational preparedness and possible obstacles to implementing data driven plans.

The findings reveal that while there is substantial recognition of the benefits associated with data driven planning, such as improved accuracy in forecasting and resource optimization, several impediments persist. These include cultural resistance, variability in data quality, and the fragmentation of information systems. The study proposes a conceptual framework that integrates advanced analytics, machine learning, and real-time data processing to overcome these challenges.

The thesis offers a thorough examination of the shift to data driven resource planning, which benefits both scholarly and practical domains. The adoption of the suggested tactics could result in increased operational effectiveness as well as the development of a creative data culture.