The manufacturing industry is currently in its fourth paradigm shift, commonly referred to as Industry 4.0. As a part of this shift, the importance of collecting production data is ever increasing, due to its potential value. Scania is a heavy vehicle manufacturer, that is undergoing this transformation while simultaneously expanding their global production capacity. The purpose of the study is to assist Scania in this transformation by forming a recommendation for production engineers, to assist them in specifying production line equipment with good data collection capabilities.

This was done partly by conducting a literature review, to gain a good understanding of the topic of research. Furthermore, a global benchmark consisting of interviews of employees within the organization was done. The interviews focused on: (1) how different production lines/units collect data, (2) different data collection and analysis software used by some units and (3) experts in relevant fields from within the organization.

The results showed that Scania’s production data collection varies, depending on the production unit and their respective needs. Some production units use specialized production data software, that enables production traceability, visualisation, and analysis capabilities. The results further found that an existing framework within Scania for ensuring machine connection when specifying production equipment, exists but varies in usage. The results also included data scientist’s perspectives on how to enable data driven process improvements by highlighting the importance of data quality, good documentation, and data accessibility.

The results led to three recommendations: (1) ensure machine connection by using a framework that exists within Scania, however, is currently not widely adopted, (2) design a structured database storage solution for the production data and tools to access and analyse the data, (3) encourage production engineers to increase their knowledge within data driven process improvement and encourage cross-functional collaboration with data scientists.

Tillverkningsindustrin befinner sig för närvarande i sitt fjärde paradigmskifte, känt som Industri 4.0. Som en del av denna transformation ökar vikten av att samla in produktionsdata alltmer, på grund av dess potentiella värde. Scania är en tillverkare av tunga fordon som genomgår denna omvandling samtidigt som de utökar sin globala produktionskapacitet. Syftet med studien är att hjälpa Scania i denna transformation genom att utforma en rekommendation för produktionsingenjörer, för att hjälpa dem att specificera produktionslinjeutrustning med god datainsamlingsförmåga.

Detta gjordes bland annat genom att genomföra en litteraturstudie, för att få en god förståelse för forskningsämnet. Vidare gjordes en global benchmark bestående av intervjuer av anställda inom organisationen. Intervjuerna fokuserade på: (1) hur olika produktionslinjer/enheter samlar in data, (2) olika datainsamlings- och analysprogram som används av produktionsenheter och (3) experter inom relevanta områden från organisationen.

Resultaten visade att Scanias produktionsdatainsamling varierar beroende på produktionsenhet och dess respektive behov. Vissa produktionsenheter använder specialiserad programvara för produktionsdata, som möjliggör produktionsspårbarhet, visualisering och analysmöjligheter. Resultaten visade vidare att ett befintligt ramverk för säkerställning av maskinuppkoppling vid specificering av produktionsutrustning, existerar inom Scania, men varierar i användning. Resultaten inkluderade även datavetares perspektiv på hur man möjliggör datadrivna processförbättringar genom att lyfta fram vikten av datakvalitet, bra dokumentation och datatillgänglighet.

Resultaten ledde till tre rekommendationer: (1) säkerställ maskinuppkoppling genom att använda befintligt ramverk inom Scania, men som för närvarande inte är allmänt använt, (2) designa en strukturerad databaslagringslösning för produktionsdata och verktyg för att komma åt och analysera data, (3) uppmuntra produktionsingenjörer att öka sina kunskaper inom datadriven processförbättring och uppmuntra tvärfunktionellt samarbetemed datavetare.