Wertströme analysieren und optimieren

Bestellungen dokumentieren, Maschinen rüsten, Waren produzieren und lagern… In einem produzierenden Unternehmen sind viele Menschen und Maschinen im Einsatz, um Produkte zu erzeugen. Diese Teilprozesse sind oft in sich komplex und müssen gut geplant werden.

Engpassdetektion in der Wertstromanalyse

Anpassung der Modellierungstiefe auf die Datenverfügbarkeit  

Bestellungen dokumentieren, Maschinen rüsten, Waren produzieren und lagern… In einem produzierenden Unternehmen sind viele Menschen und Maschinen im Einsatz, um Produkte zu erzeugen. Diese Teilprozesse sind oft in sich komplex und müssen gut geplant werden. Für die Wirtschaftlichkeit des gesamten Wertstroms ist es aber von enormer Bedeutung, dass die einzelnen Planungen gut ineinander greifen und die verfügbaren Ressourcen so bemessen sind, dass sich ein hoher Durchsatz ergibt.

Auslastungsprognose
© ITWM

Exemplarische Auslastungsprognose mittels Wertstromsimulation.

Software zur Analyse und Engpassdetektion

Die Abteilung Optimierung hat eine Software zur proaktiven Analyse und Engpassdetektion einer produzierenden Wertschöpfungskette entworfen und implementiert. Die entscheidende Komponente des Ansatzes ist die Bestimmung einer praxisgerechten Abbildung der Prozessschritte mit sinnvollem Detailgrad.

Diese Modellierung lässt sich nicht allein aufgrund von Expertengesprächen oder Fachwissen entwerfen; kein Mitarbeiter kennt sowohl alle prozesschrittspezifischen, als auch die übergeordneten Randbedingungen und Ziele. Stattdessen wurde mithilfe der Analyse von Prozesszeitstempeln aus vergangenen Produktionszeiträumen ein Modellierungsentwurf initiiert, der durch Expertengespräche hinterfragt und im Nachgang anhand von echten Szenarien kalibriert wurde. Insbesondere für nichtmaschinelle Bearbeitungszeiten ohne standardisierte und detaillierte Zeiterfassungen weichen die von den Mitarbeitern der betroffenen Bereiche gefühlten Bearbeitungszeiten oft von denen ab, die sich aus den Daten rekonstruieren lassen.

Eine rein datengetriebene Modellierung wiederum greift zu kurz, wenn eine Engpassprognose unter veränderten Bedingungen, z.B. Austausch von Maschinen oder Veränderung des Schichtmodells bestimmt werden soll, da diese Szenarien nicht gelernt werden konnten und die Daten in der Regel keine Kausalitäten enthalten.