Een vraag waar iedere diervoederproducent tegenaan loopt is: Wat is de optimale productierun? Zijn lange productieruns effectiever in het produceren, wat zijn de juiste producten en juiste momenten om te produceren? Deze vragen kwamen ook onlangs in ons webinar over “Big Data” aan de orde. Er was toen opmerkelijk veel vraag om dieper op dit onderwerp in te gaan, vandaar deze blog waarin we de proef op de som nemen. Des te meer omdat we uit ervaring weten dat een goede planning tot wel 25% meer output uit de fabriek kan genereren! Over een goede ROI gesproken.

Door Dennis van Lankeren - Head of Sales North America, KSE Process Technology B.V.

De proef op de som nemen
Aangezien dit onderwerp veel theorie bevat allereerst een kleine uiteenzetting hoe tot het resultaat is gekomen. Niet alle modelkeuzes onderbouw ik hierin want dan wordt het een heel lang verhaal. De belangrijkste uitgangspunten dienen vooraf echter wel duidelijk te zijn. Met een goede en duidelijke behoefteplanning voorkom je verassingen. Dagelijkse praktijk met spoedorders en te late orders kan vaak voorkomen worden door een grondige analyse en forecast van het bestelpatroon. Hierdoor worden (faal)kosten door inefficiëntie en fouten verminderd.

Als we in deze zin over faalkosten praten bedoelen we: Onnodig Transport, Teveel aan Voorraad, Onnodige bewegingen en verplaatsingen, Wachten, Overproductie, Overprocessing (het uitvoeren van teveel handelingen voor hetzelfde eindresultaat) en Defects. Er is uitgegaan van eindproducten die geproduceerd dienen te worden. De aanlevering van grondstoffen met bijbehorende bestelniveaus en optima is een ander vraagstuk, wat niet in deze blog is meegenomen. Dit is ook zeker de moeite waard maar is een uiteenzetting op zichzelf.

De analyse
Om de proef op de som te nemen is er een analyse gemaakt met data van een werkelijke fabriek. Hierin is van alle artikelen de vraag en productie over 1 jaar meegenomen. Telkens is er door een simulatie gekeken naar de bestellingen van de voorgaande 2 weken om een vraagpatroon op te stellen. Op basis hiervan is een gewenst voorraadniveau berekend en een grens wanneer nieuwe productie noodzakelijk is. Er van uitgaande dat het onwenselijk is voorraadproducten in meerdere runs per dag te produceren. Hiermee is de rungrootte minimaal de vraag van 1 dag zodra productie nodig is voor dat artikel.

Stap 1: Artikelen bepalen
Allereerst is er een Glenday Sieve opgesteld van alle te produceren artikelen. Dit is een soort Pareto analyse om hardlopers te identificeren binnen productie. Hieruit bleek dat 22 producten “A” artikelen zijn, 161 “B” en de overige C/D. Voor voorraad willen we de hardlopers op voorraad houden. Dit zijn minimaal de “A” categorie artikelen. Daarna bepalen we wat de overige mogelijke capaciteit is aan silo’s en op basis hiervan worden ook “B” producten op voorraad gehouden. Hierin kan het ook zo zijn dat enkele “B” producten voor een afwijkende reden op voorraad moeten worden gehouden (afwijkende matrijsmaat, lange omsteltijden etc.). Deze moeten handmatig toegevoegd worden als voorraadartikel.

Stap 2: Het vraagpatroon en bestelniveau
Met de beschikbare ruimte in het silopark is vervolgens van de mogelijke voorraadartikelen het vraagpatroon geanalyseerd. Dit is op basis van statistiek gedaan met een normale verdeling. Er van uitgaande dat er een klein risico gelopen mag worden dat de voorraad leeg kan vallen (<5% kans). Hiervoor is een berekening uitgevoerd van de gewenste veiligheidsvoorraden en productieniveaus. Zowel de variatie in bestelgrootte per week/dag als het aantal bestellingen is hierin meegenomen.

Om rekening te houden met opstartverliezen van persruns in productie is er van uitgegaan dat alleen volledige batches (6 ton) geproduceerd mogen worden met een minimale drempel van x batches (x is hierbij productafhankelijk voor verschillende hardlopers van 4-10 batches). Deze is op basis van ervaringsgetallen ingevuld en bevat geen achterliggend model.

Op basis van deze statistiek zijn er voorraad niveaus berekend die minimaal aangehouden moeten worden. Hiervoor is gebruik gemaakt van bestelmodellen die normaal gesproken voor leveranciers worden gebruikt. Om deze theorie te gebruiken is er van uitgegaan dat de fabriek leveringen doet aan de silo (silo is eindklant). De levertijd is 1 dag omdat 1x per dag de keuze wordt gemaakt om dit artikel wel of niet te produceren en de eventueel te produceren hoeveelheid. Er is uitgegaan van een BS model met een bestelniveau dat dagelijks wordt bekeken, en een hoeveelheid die dan geproduceerd moet worden van minimaal aantal batches + aantal hele batches (afhankelijk van openstaande orders en de vraag). Deze hoeveelheid is gebaseerd op de vraag en variatie in de vraag over de 2 weken ervoor.

Stap 3: Vergelijken praktijk en theorie
Als we dit vergelijken in productie zoals deze werkelijk is geweest voor artikel X t.o.v. de theoretische benadering van artikel X ziet dat er als volgt uit:

Reality

 

Theory

Or if we zoom:

Reality                                           Theory

Wat direct opvalt is dat de bovenste grafiek een veel grilliger verloop laat zien. De theoretische fabriek geeft een veel stabielere productie. Daarnaast is in werkelijkheid de voorraad 2x leeg geweest, in het theoretische model nooit. De totale voorraad is echter wel hoger, gemiddeld 52 ton werkelijk en 85 ton theoretisch. De vraag is dan of het silopark deze tonnen aan had gekund, iets wat later in het model geverifieerd kan worden. Nogmaals wil ik benadrukken dat dit werkelijke data is. Deze fabriek heeft dus een optimalisatie laten liggen en dus productiecapaciteit verloren!

Stap 4: Vergelijken van ''A'' producten
Om echt te oordelen wat het voordeel of nadeel is geweest van het aanhouden van theoretische productieruns en voorraadniveaus zijn er een aantal interessante waardes. Deze zijn tussen de werkelijke en “simulatie” versie vergeleken en tegenover elkaar gezet in een matrix. Dit om te bepalen wat de meerwaarde zou zijn geweest:

	Praktijk	Theorie
Aantal producten in analyse	16 (6 stuks onmogelijk, geen voorraadartikelen)	16, zelfde als praktijk
Aantal x zonder voorraad	80 x	1 x
Totaal gemiddelde voorraad	75,805 kg	70,798 kg
Aantal benodigde runs	2451	1820

 

Van de totaal 22 “A” artikelen (“B” artikelen zijn voor deze blog buiten beschouwing gelaten) zijn er 16 te analyseren. De overige 6 zijn in het jaar niet altijd op voorraad geproduceerd en daardoor niet “eerlijk” te vergelijken. Dit is op zich opvallend, dat er hardlopers zijn die niet op voorraad zitten terwijl het silopark hiervoor wel toereikend was. Dit kan te maken hebben met seizoensinvloeden die nu niet meegenomen zijn of nieuwe artikelen. Echter, dit zou al de moeite waard zijn om verder uit te zoeken.

Wat direct opvalt in de vergelijking is dat bij het theoretische model het aantal keren dat er een voorraadartikel besteld is en dat de voorraad leeg bleek te zijn, aanzienlijk minder is. Hieruit blijkt dat er in werkelijkheid een spoedproductie moest plaatsvinden of nee moest worden verkocht aan de klant omdat er niet genoeg product op voorraad was. Daarnaast is de totale productie van deze voorraadartikelen in 631 minder runs geproduceerd! Dit zegt niet direct dat alle artikelen grotere runs hadden, maar de balans in de productie van deze artikelen was wel veel beter. De gemiddelde voorraad is daarnaast iets kleiner, wat een indicatie geeft of het silopark toereikend is.

Wat hierin niet is meegenomen is een maximale voorraad. Om de analyse echt volledig uit te voeren moeten per artikel de voorraadverschillen bekeken worden en het aantal silo’s dat daarvoor gealloceerd dient te worden. Op basis van het daarna beschikbare aantal silo’s kunnen dan “B” artikelen op voorraad worden gezet.

Stap 5: Conclusies
Het theoretische model geeft aanzienlijke voordelen in productie. Minder runs opstarten, minder spoedjes en wachttijden en een soortgelijk totaal voorraadniveau. Dit is een indicatie dat meerwaarde is te halen door met theoretische productiehoeveelheden te werken. Een bijkomend voordeel dat hiermee gemoeid is, is dat er meer rust komt in productie, de planning eenvoudiger wordt en spoedjes op order eenvoudiger in te plannen zijn. Hierdoor stijgt de efficiëntie en productiviteit nog verder, simpelweg omdat medewerkers de tijd hebben zaken te analyseren i.p.v. ad-hoc problemen op te lossen. Met een aantal zaken is geen rekening gehouden in het model en in deze analyse. Zo zijn grondstoftekorten niet opgenomen terwijl deze in de praktijk wel voor kunnen komen. Ook is er geen rekening mee gehouden dat artikelen binnen het jaar wisselen tussen voorraad/order product en dat er voor producten seizoensinvloeden gelden.

Daarnaast is de te halen winst deels afhankelijk van de gekozen minimale run grootte. Deze heeft een direct verband met het aantal benodigde runs en de totale voorraad. Als de run groter wordt stijgt de voorraad, en daalt het aantal benodigde runs. Voor de berekening is er nu van uitgegaan dat het niet wenselijk is een voorraadproduct meermaals op dezelfde dag te maken met een zekerheid van 95%. De keuze hoe vaak een product geproduceerd mag worden, heeft een grote invloed op het resultaat van het theoretische model. Echter het feit dat er nog veel winst te behalen is door optimalisatie en analyse van vraagpatronen is een zekerheid. Het is puur een kwestie van doen en er de vruchten van plukken!