q_alizer: effizientere Qualitätskontrolle in der Pharmaindustrie
Q_alizer ist ein Joint venture von Meocon und Panter, das sich auf Business Intelligence (BI) und Prozessoptimierung in der Qualitätskontrolle (QC) bei Pharmaunternehmen spezialisiert. Die gleichnamige Web-Applikation hilft QC-Laboren dabei, ihre Arbeitsprozesse zu visualisieren und zu optimieren. Meocon als Domänenexpertin im Bereich QC-Prozesse und Panter als Software-Agentur haben sie zusammen entwickelt, um Daten-getriebene Entscheidungen in QC-Laboren zu erleichtern.
Spreadsheets am Limit
Nach der Produktion durchlaufen Medikamente oder Impfstoffe einen mehrstufigen Prozess der Qualitätskontrolle. Die dabei anfallenden Prozessdaten werden von den QC-Laboren in der Regel in Laboratory Information Systems (LIMS) erfasst, jedoch fehlt es oft an einfachen Möglichkeiten, daraus Erkenntnisse zu gewinnen und Massnahmen zur Optimierung und Planung abzuleiten. Wie entwickelt sich die Arbeitslast über die Zeit? Welche Prozessschritte bilden Flaschenhälse und führen zu kostspieligen Verzögerungen? Welche Chargen können zusammen analysiert werden, um die Effizienz zu steigern?
Meocon als spezialisierte Consulting-Boutique hat ein Instrumentarium entwickelt, mit dem sich die Prozesse visualisieren und so einfacher erfassen lassen. Die für Spreadsheets entwickelte Anwendung ermöglichte es, die Daten schnell aufzubereiten und zu analysieren. Während diese Analysen für die Labore von grossem Wert waren, stiess deren Bereitstellung mittels Spreadsheets jedoch bald an ihre Grenzen: Unzählige Versionen waren in Umlauf und mussten gewartet werden, was sowohl für Meocon als auch für die Nutzer*innen mit hohem manuellem Aufwand verbunden war.
Die Herausforderungen bei der Cloud-Verarbeitung von Prozessdaten
Im Gegensatz zur Spreadsheet-Lösung werden die Prozessdaten nicht mehr on premise bei den Kund*innen, sondern von Q_alizer in der Cloud verarbeitet. Dies erfordert eine integrierte Datenanbindung und -aufbereitung und stellt erhöhte Anforderungen an die Datensicherheit.
Um eine möglichst reibungslose Datenanbindung zu gewährleisten, kann Q_alizer direkt und automatisiert auf gemeinsam mit den Kund*innen definierte Datenquellen zugreifen. Je nach Infrastruktur und Bedürfnissen der Kund*innen erfolgt dies über den Austausch von Daten-Files oder via Anbindung der On-premise- oder Cloud-Datenbank der Kund*innen über eine VPN-Verbindung.
Da die Prozessdaten von Labor zu Labor unterschiedliche Formate und Strukturen haben und aus verschiedenen Quellen stammen, müssen sie während der Einspeisung in ein einheitliches Datenmodell überführt werden. Daher durchlaufen die Daten eine automatisierte Pipeline zur Aufbereitung, bei der gleichzeitig auch fehlerhafte Daten erkannt werden.
Schliesslich wurde besonderes Augenmerk auf die Datensicherheit gelegt. Mit Google Cloud wurde eine Infrastruktur gewählt, die diesbezüglich höchste Standards bietet. So ist beispielsweise die Datenspeicherung wie auch -übertragung stets verschlüsselt. Auch in der Applikationsentwicklung steht die Sicherheit im Vordergrund und wird regelmässig getestet.
”Dank Panter konnten wir die Entwicklungszyklen bei q_alizer deutlich beschleunigen und unsere Applikation schneller an Kundenbedürfnisse anpassen.
Juri SarbachData Engineer q_alizer
Skalierbare, Cloud-basierte Web-Applikation
Mit Q_alizer haben Panter und Meocon eine Web-Applikation entwickelt, die als Cloud-basierte Software as a Service genutzt werden kann. QC-Labore können nun ihre Prozesse direkt im Webbrowser analysieren. Dank Cloud-Infrastruktur ist die Applikation hochgradig skalierbar und erlaubt Verarbeitung beliebig grosser Datensätze. Zugleich entfällt das Ausliefern und Installieren von Software bei den Kund*innen. Dies vereinfacht die Weiterentwicklung der Applikation und ermöglicht ein höheres Entwicklungstempo.
Q_alizer beschleunigt und senkt Laborkosten
Dank Q_alizer gewinnen QC-Labors weltweit wertvolle Erkenntnisse aus ihren Prozessdaten und können damit ihre Analyse-Chargen effizienter abarbeiten. Dadurch können diese schneller freigegeben werden, was wiederum das im Prozess gebundene Kapital verringert und kürzere Produktionszeiten ermöglicht.
Funktionen und Innovation
Dashboard: Die Prozessdaten und Key Performance Indicators (KPI) werden so visualisiert, dass Nutzer*innen die Arbeitslast ihres Labors auf einen Blick erfassen können. Die KPI werden dabei direkt im Data Warehouse (BigQuery) berechnet. Dies erlaubt die effiziente Verarbeitung auch grösster Datenmengen.
Automatische Daten-Einspeisung: Je nach Infrastruktur und Anforderungen der Labore können die Prozessdaten direkt aus dem LIMS eingespeist, von einem SharePoint der Kund*innen geholt oder mittels Datei-Upload manuell importiert werden. Dies garantiert eine aktuelle Sicht auf die Daten.
WIP-Simulator: Mit einem Simulator können Labore ihre Arbeitslast (Work in progress, WIP) in Abhängigkeit des Probeneingangs simulieren. Damit lassen sich Szenarien entwickeln und der Ressourceneinsatz besser planen.
Planung: Mit dem Planungsmodul lässt sich die optimale Zusammensetzung und Bündelung von Analyse-Chargen berechnen, so dass Ressourcen (Mitarbeiter*innen und Analyseinstrumente) bestmöglich eingesetzt und genutzt werden können.
Single Sign-On: Q_alizer unterstützt Identity Providers zur Authentifizierung der Nutzer*innen. Daher können für den Login neben der traditionellen Email-Passwort-Eingabe existierende Benutzer-Accounts der Kund*innen eingebunden werden, zum Beispiel von Microsoft Azure oder Google Workspace oder via SAML. So können die Kund*innen ihre unternehmenseigenen Sicherheitsstandards auch beim Q_alizer-Login durchsetzen.
Technologie
Q_alizer läuft vollständig serverless auf Google Cloud, so dass sich das Q_alizer-Team voll und ganz auf die Applikationsentwicklung fokussieren kann und keine Ressourcen für Betrieb und Maintenance der Infrastruktur benötigt. Diese skaliert automatisch mit der Anzahl Benutzer*innen und der Datenmenge und gewährleistet so eine konstante Performance. Die Kernbausteine der Architektur sind Firebase für das Frontend, Cloud Run für das Backend/die Middleware und BigQuery als Data Warehouse. Das Frontend wurde in Angular, das Backend in Python entwickelt.
Google Cloud wurde ausgewählt, weil sie Spitzentechnologie für diese Art der serverless Datenverarbeitung und -Analyse bereithält und dabei die höchsten Anforderungen bezüglich Skalierbarkeit und Datensicherheit erfüllt. Die Daten werden in Rechenzentren in der Schweiz gespeichert und verarbeitet.
Beat Seeliger
Co-Founder & Partner
Interessiert an einer Zusammenarbeit?
Lassen Sie sich bei Ihrem nächsten Projekt von einem Partner unterstützen, der auf langjährige Erfahrung zurückgreifen kann.
