The Blog Single

• Home
/
• Uncategorized @da
/
• Grader af frihed

• 30 aug
  Grader af frihed

   Jo bedre forudsætninger man har, jo bedre bliver planerne – også selvom alle måtte være optimale.

   

  Forskellen er tiden, eller rettere seriestørrelsen. En plan kan være godt optimal, og hver plan i en række af planer kan også godt være optimale, men det gør ikke produktionen set over alle planerne optimal.

   

  I langt de fleste tilfælde kan planlæggerne dog, på grund af det stadige skub fra indsorteringen, hygiejnekravene og den ringe plads, ikke tillade sig den luksus at vente et helt skift med at producere, dvs. forskyde produktionen et skift bagud i tid, sådan at de laver i dag, hvad der blev sorteret i går.

  Vaskeriet må beslutte sig for en seriestørrelse et sted imellem én batch og alle batches.

  Afgørelsen om seriestørrelsen bestemmes normalt ved en afbalancering af markedssituationen, den fysiske lagerplads og færdigvarelagrenes størrelse.

  Og desuden er det heller ikke godt at planlægge for alt for lang tid ad gangen. Verden ændrer sig for hastigt.

  En maskine falder ud, medarbejdere bliver syge og forlader arbejdspladsen, nye hasteordrer kommer til, osv.

  Med lange planer, er der risiko for, at noget ændrer sig i løbet af dens gennemførelse, og at der skal replanlægges. Korte planer laves ikke om. De slutter om et øjeblik.

   

  Seriestørrelser

  Men hvis man nu har en stor ubalance i kapaciteterne, som fx. et stort vaskerør, hvornår skal man så starte røret, og hvornår skal det stoppes igen?

  Hvor lang skal serien af tøjportioner igennem røret være, når røret nu er så dyrt at starte, men til gengæld billigt, når det først er i drift?

  Havde vi haft mulighed for det, havde vi haft tiden, computerkraften og softwaren til det, så kunne vi have taget tøjmængderne (dvs. alle portionerne) og alle vaskeriets kapaciteter og medarbejdere fra en given dag, og givet os til at regne hvert eneste rækkefølgealternativ igennem, med alle de begrænsninger og bundne sammenhænge, som vaskeriproduktionen end måtte være underkastet.

  Det er fra disse procesrutealternativer og rækkefølger, man skal hente de optimale seriestørrelser. Og blandt de mange planers alternative sæt nøgletal (løn, vand, kemi, kemisk slitage, gennemløbstid, produktivitet, mikropauser, osv.) kunne vi udpege den billigste.

  I denne optimale løsning kunne vi så udskille vaskerøret og se hvor lange seriestørrelserne og portionsrækkefølgerne var, og hvornår de lå.

  Dét skal der til, for at beregne den rigtige seriestørrelse. Der er ingen nemme formler. Dem, som findes, duer ikke, er forenklede eller giver, i bedste fald, en suboptimal løsning, på en begrænset del af opgaven.

  Problemet er, at vi hverken har tiden eller regnekraften. Dertil er opgaven er alt, alt for stor.

  I stedet må vi søge efter de optimale løsninger på andre måder.

   

  Søgning

  Og søgning er det rette ord, for den optimale løsning opbygges.

  Den er ikke et udfald, der kan beregnes og lokaliseres, eller et handlingsmønster, der kan reproduceres. Den skabes.

  I den dynamiske produktion bryder den frem som resultatet af koordinerede, målrettede handlinger, beslutning for beslutning, og identificeres på dens kendetegn. Der er ikke andre muligheder. Dertil er opgaven alt for kompleks. Den skabes ved udvælgelse, og spreder sine virkninger til medarbejderforbruget, kapacitetsbelastningen og vareforbruget, og derfra til regnskabet.

  Vi ved fra de fleste batchindustrier, at selve den måde, hvorpå vi sender produkter igennem produktionen, er afgørende for de variable omkostninger – fordi hvert produkt trækker forskelligt på ressourcerne, fordi alternative procesruter har forskellige kapaciteter, og fordi produktrækkefølgerne således indirekte afgør ressourceindsatsen og kapacitetsudnyttelsen.

  Èn gang for alle må vi forstå, hvordan den optimale løsning ser ud, og hvad dens egenskaber er, så vi kan genkende den på dens kendetegn, når den dukker op i produktionen.

  Og så vi kan vælge batchrækkefølger, procesruter og bemande arbejdssteder på en sådan måde, at vi, for hvert valg, bygger den optimale løsning op, beslutning for beslutning, og sikrer os, at det virkelig også er den optimale løsning, vi ser i produktionen, efterhånden som løsningen gennemføres.

  Når 10 forskellige produkter kan sendes igennem en produktion i 3,6 mio. forskellige rækkefølger, er det dét, det hele drejer sig om.

   

  Hårde spørgsmål (tough questions)

  Ikke alle disse rækkefølger genererer unikke konsekvenser, men en stor del af dem gør. Problemet er, at de produktionsansvarlige ofte ikke ved dette, og næsten aldrig er i stand til at udpege dén rækkefølge, som bedst opfylder de stillede krav til fx. økonomi, kvalitet, leveringstid, forbrug og belastning.

   

  Og har vaskeriledelsen overhovedet givet dem de nødvendige oplysninger til at træffe kvalificerede valg?

  Ved de, hvad man ønsker af dem?

  Og af virksomheden?

  Er de ordentligt uddannede?

  Har de den nødvendige indsigt i produktionen og forståelse af sammenhængene i driften?

  Kan de overskue konsekvenserne af deres valg?

  I rette tid?

  Bliver de belønnet for gode beslutninger og straffet for dårlige?

  Hvad er en god beslutning?

  Og hvordan genkender vi den?

  Hvad er en dårlig og hvordan opdager vi dén, hvis den skulle dukke op?

   

  For at svare konkret, kræves et konkret vaskeri – men de færreste kan svare ja til disse spørgsmål. De hyppigste svar er nej:

  • man har som regel ikke givet dem de nødvendige oplysninger, metoder eller systemer,
  • man har oftest ikke fortalt dem konkret, hvad man forventer af driften og af dem som planlæggere, eller fortalt dem om sammenhængene mellem de beslutninger, de træffer fra time til time, og konsekvenserne i regnskaberne,
  • de mennesker, som er sat til at forvalte de variable omkostninger i vaskeriet (på verdensplan i størrelsesordenen 100 mia. DKK) har oftest, som bedst, en håndværkeruddannelse, der ikke har givet dem en baggrundsviden om planlægningsprincipper eller økonomi,
  • det er næsten blevet grimt og ildeset at belønne og straffe i produktionen. Mange steder undgår man det helst helt. Det svarer sådan nogenlunde til at forbyde at tælle målene i en fodboldkamp, eller at måle tiden i et 100-meterløb, hændelser, de fleste af os tager let på. Det må gerne være sjovt at arbejde i vaskeriet, men tag ikke fejl: Der er ingen, der driver vaskerier for sjov,
  • de kan som regel ikke skelne den gode plan fra den dårlige. De ved ikke, hvad de skal kigge efter. Målt på produktivitet, kan alle selvfølgelig skelne de gode dage fra de dårlige, bagefter, men ikke de gode beslutninger fra de dårlige, mens det står på,
  • der findes sjældent systematiserede planlægningsstrategier i vaskerierne, og hvis der endelig gør, er der som regel ingen sammenhæng mellem strategi, målepunkter, målefrekvens, nøgletal og regnskabstal. Problemet er, at hvis man kigger på en plan isoleret set, så er der intet, der fortæller, om man virkelig har med den optimale plan at gøre, eller ej.

   

  Planlægningsmetoder

  Kun når vi kender omkostningskurverne, kan vi vide, om vi har fundet løsningen i bunden af kurven, men hvem kender kurverne? Der ikke noget tal eller nogen værdi, der entydigt kan fortælle os, om en given plan er optimal, dvs. at den absolut ikke kan forbedres.

  Det kan kun produktionsteknisk indsigt, eller et sæt særlige nøgletal (allokeringseffektiviteterne), som man ikke er i stand til at beregne manuelt. I stedet kan vi prøve at genskabe en af de rigtigt gode dage, som en plan i et Gantt-kort. Det er en øvelse, der dels giver tid og ro til at betragte det hele lidt for oven, og dels giver et godt indblik i den konkrete produktions forudsætninger.

  En sammenligning er at lægge et puslespil, hvor hver tøjportion er en puslespilsbrik:

  • det bedste havde været, hvis alle brikkerne havde været sorteret i den rækkefølge, de kunne lægges i smartest. Et computersystem, som havde haft detaljeret kendskab til alle brikkerne, og billedet de skulle danne, havde kunnet sortere og nummerere dem (optimere) for os. (Disse systemer findes, hedder Advanced Planning & Scheduling Systems, APS’er, og koster en formue),
  • det næstbedste havde været, om der fandtes en metode, der nogenlunde kunne genkende det aktuelle puslespils brikker fra billedet på æsken, og gruppere dem. Det gør driftstrategierne, og er en tilnærmelse til optimeringen, som kun koster uddannelsen af planlæggerne,
  • det trediebedste havde været, om man havde et generelt kendskab til nogle af mest forekommende farver og mønstre i puslespil, og deres nogenlunde placering. Det gør produktmixnormer, og bruges som tilnærmelser til driftstrategierne,
  • det sidste alternativ er at se bort fra billedet og i stedet forsøge at få tilfældige brikker til at passe sammen, to, tre eller fire ad gangen.

   

  Det er den måde, de fleste vaskerier drives på. Og der er ingen som helst tvivl:

  I et dynamisk marked, med vaskerifabrikkernes mange variable, begræsninger og bundne sammenhænge, er optimeringen så klart den hurtigste, den mest effektive og den faktisk også den form for planlægning, som kræver mindst produktionsteknisk indsigt, fordi teknikkerne og metoderne findes er indbyggede i systemerne.

  Til gengæld kan driftstrategier og produktmix iværksættes næsten med det samme, uden store investeringer i computere, software og netværk. De er viden. Ikke andet.

   

  Driftstrategier

  Og de findes, de få rigtigt dygtige vaskerier, dem, som benytter driftstrategier – dem, som har valgt et konkret kriterium (fx. at minimere omkostningerne, at minimere gennemløbstiden, eller at maksimere produktiviteten) og har formuleret en strategi, som de har begrundede forventninger om, vil opfylde dette kriterium. Men hvad er så en driftstrategi?

  Det er en metode for:

  • hvordan et konkret, overordnet krav til en produktionsplan defineres,
  • hvordan man udformer en strategi, der finder lige akkurat dét arrangement af aktiviteter, som bedst opfylder dette krav, og
  • hvordan man, beslutning for beslutning og tøjportion for tøjportion, sikrer, at man nu også er på vej til at opfylde kravet.

   

  En konkret driftstrategi

  Driftstrategierne bygger på den optimale plans kendetegn. Når planlæggerne ved, hvordan en optimal plan ser ud (gennem praktisk erfaring, øvelser med planlægning på tegnebordet, i en simuleringsmodel eller i et optimeringssystem), så ved de også, hvad de ønsker at se i produktionen, og med lidt produktionsteknisk indsigt, kan de udforme beslutningsstrategier, som søger at genskabe disse kendetegn.

  En konkret driftstrategi, (sådan som de anvendes i optimeringssystemerne) som havde til formål at minimere gennemløbstiden, og som samtidigt respekterer de tilgængelige kapaciteter, kunne indeholde følgende kriterier: Blandt de sorterede, kategoriserede og prioriterede batches i indsorteringen, vælg en (stor) gruppe af batches, hvis (vægtede gennemsnitlige) tørretid i forhold til (den vægtede gennemsnitlige) takttid er tæt på, men ikke overstiger, den tilgængelige tørrekapacitet, blandt disse:

  • begynd med den batch, hvis tørretid hurtigst afbalancerer tumblerbelastningen, hvilket undgår tumblerjams ved at favorisere et mix af lange og korte tørretider,
  • hvis flere batches har samme indflydelse på tumblerbalancen, så vælg den, som ændrer den aktuelle takttid på vaskerøret mindst, hvilket grupperer batches med ens takttider og reducerer takttidsvariationer på vaskerøret,
  • hvis flere batches har samme takttid, så vælg den, hvis aktuelle procesrutebelastning hurtigst afbalancerer den afviklede series totale procesrutebelastning, hvilket favoriserer et mix af lange og korte gennemløbstider og ruter med tomme buffere,
  • hvis flere batches har samme indflydelse på seriens samlede procesrutebelastning, så vælg den, der har tidligste sluttid på sidste arbejdssted langs procesruten, hvilket favoriserer hurtige batches, lavt belastede eller hurtige procesruter, parallelliserer varestrømmen, tager trykket af flaskehalsene og holder en høj gennemsnitlig gennemløbshastighed,
  • hvis flere batches har samme tidligste sluttid på sidste arbejdssted, så vælg den, som har tidligste starttid på første arbejdssted efter tumblerne, hvilket favoriserer procesruter med tomme eller lavt fyldte buffere og parallelliserer varestrømmen,
  • hvis flere batches kan starte lige hurtigt, så vælg den, der har de laveste samlede produktionsomkostninger pr. kg. langs procesruten, hvilket favoriserer u- og lavt bemandede arbejdssteder og hurtige kategorier, og frigør arbejdskraft til at bemande arbejdssteder med langsommere procestider,
  • hvis flere batches har samme samlede produktionsomkostning, så vælg den, der fylder de tommeste lagerpladser i pakkeriet eller har ældste indsorteringstidspunkt, hvilket synkroniserer produktionen med efterspørgslen (indprofilen med udprofilen),
  • hvis flere batches fylder lige tomme lagerpladser, så vælg den, der har den højeste batchprioritet, hvilket trækker enkelte batches frem, som måtte være særligt efterspurgte i pakkeriet, osv. Blandt de sorterede, kategoriserede og prioriterede batches i indsorteringen, vælg en (stor) gruppe af batches, hvis (vægtede gennemsnitlige) tørretid i forhold til (den vægtede gennemsnitlige) takttid er tæt på, men ikke overstiger, den tilgængelige tørrekapacitet,
  • blandt disse, begynd med den batch, hvis tørretid hurtigst afbalancerer tumblerbelastningen, hvilket undgår tumblerjams ved at favorisere et mix af lange og korte tørretider,
  • hvis flere batches har samme indflydelse på tumblerbalancen, så vælg den, som ændrer den aktuelle takttid på vaskerøret mindst, hvilket grupperer batches med ens takttider og reducerer takttidsvariationer på vaskerøret,
  • hvis flere batches har samme takttid, så vælg den, hvis aktuelle procesrutebelastning hurtigst afbalancerer den afviklede series totale procesrutebelastning, hvilket favoriserer et mix af lange og korte gennemløbstider og ruter med tomme buffere,
  • hvis flere batches har samme indflydelse på seriens samlede procesrutebelastning, så vælg den, der har tidligste sluttid på sidste arbejdssted langs procesruten, hvilket favoriserer hurtige batches, lavt belastede eller hurtige procesruter, parallelliserer varestrømmen, tager trykket af flaskehalsene og holder en høj gennemsnitlig gennemløbshastighed,
  • hvis flere batches har samme tidligste sluttid på sidste arbejdssted, så vælg den, som har tidligste starttid på første arbejdssted efter tumblerne, hvilket favoriserer procesruter med tomme eller lavt fyldte buffere og parallelliserer varestrømmen,
  • hvis flere batches kan starte lige hurtigt, så vælg den, der har de laveste samlede produktionsomkostninger pr. kg. langs procesruten, hvilket favoriserer u- og lavt bemandede arbejdssteder og hurtige kategorier, og frigør arbejdskraft til at bemande arbejdssteder med langsommere procestider,
  • hvis flere batches har samme samlede produktionsomkostning, så vælg den, der fylder de tommeste lagerpladser i pakkeriet eller har ældste indsorteringstidspunkt, hvilket synkroniserer produktionen med efterspørgslen (indprofilen med udprofilen),
  • hvis flere batches fylder lige tomme lagerpladser, så vælg den, der har den højeste batchprioritet, hvilket trækker enkelte batches frem, som måtte være særligt efterspurgte i pakkeriet, osv. Det er ikke gjort med disse kriterier alene. Og målsætningen kunne have været anderledes.

   

  Man kunne fx. ønske at minimere de variable omkostninger for alle tøjportioner i en serie, minimere antallet medarbejdere indenfor den tilgængelige arbejdstid, maksimere medarbejderproduktiviteten, o.l. Og der kunne have været andre delmål involveret, som fx. kvalitet og spredning af maskinbelastningen.

  Hvert af disse andre mål ville have tvunget planlæggerne til at revidere driftstrategien, eller formulere alternative strategier.

   

  Den gode løsnings kendetegn

  Den gode løsning kan kendes på mange måder. Dels kan man konstatere, at produktionen producerer det rigtige tøj, til rette tid, på de rigtige maskiner, med de rette folk, ved at der er et godt flow. Folk jager ikke rundt. Der råbes og skriges ikke fra alle sider.

  Tøjet kommer frem til arbejdsstederne i en jævn strøm, i den takt, som det skal sendes videre. Der er ingen ventetider eller jams, bufferne har lave fyldninger, og udsorteringen får det tøj frem, som den har behov for at sende ud ad døren.

  Alle, der har arbejdet i produktioner ved, at der, blandt alle de andre forbandede, endeløse og stressede dage, er sådanne rolige, men meget produktive dage. Disse er den gode plans subjektive kendetegn. De objektive kendetegn finder vi fx. i Gantt-kort, som viser rækkefølger på hvert enkelt arbejdssted, procesruterne over alle arbejdsstederne og allokeringen af medarbejdere til hver enkelt batchs behandling.

   

  

   

  En løsning visualiseres på to kort, ét for maskinerne og ét for medarbejderne. Kortet for et udpluk af et vaskeris medarbejdere i en optimal plan for en produktion uden buffere kunne fx. se således ud: Hver bjælke repræsenterer en tøjportion, og bjælkernes farver repræsenterer arbejdsstederne.

  Det er en stabil plan, med effektiv allokering, uden nervøs omrokering af medarbejderne, og med få mikropauser – selvom produktionen er bufferfri. Den kan ikke være meget bedre.

   

  Mikropauser

  Men der er mikropauser. Se fx. Smilla Upanaviks. Mellem mange af hendes opgaver, finder vi små, korte pauser. I et vaskeri, hvor der ingen buffere findes, og hvor medarbejderne holder et jævnt arbejdstempo, vil man kunne se de små pauser (mikropauser), som opstår, når et arbejdssted venter et enkelt eller nogle få minutter på en portion tøj eller på en medarbejder, eller når en portion tøj venter nogle få minutter på at blive behandlet.

  Pauser for medarbejdere, arbejdssteder og batches.

   

  Allokeringseffektivitet

  Fra mikropauserne kan vi regne nogle fantastisk kraftfulde nøgletal, og selv om de er svære at kvantificere, giver forståelsen af dem en fundamental indsigt i, hvad der kræves for at skabe optimale planer.

  Alle industrier har været voldsomt fokuseret på produktiviteten, målt i kg./time, i stk./time, i meter/time o.l. Men produktiviteten i sig selv fortæller ikke noget om det potentiale, som produktionsapparatet besidder. Du kender givetvis selv eksemplet.

  Èt vaskeri har en produktivitet på 28 kg. tøj pr. medarbejdertime, et andet har en produktivitet på 36. Hvilket vaskeri udnytter sit potentiale bedst? Vi ved det ikke.

  Det afhænger af graden af automatisering, jams, ventetid og køer – en masse ting, som produktiviteterne ikke siger noget om.

  Men ved at fokusere på de planlægningsafledte pauser, ved vi, hvor godt vaskeriet udnytter de givne ressourcer.

  Måske er mikropauserne (for bufferfrie planer) en given dag 6% for medarbejderne i det ene vaskeri og 13% i det andet. Med denne viden, ved vi, hvilket af vaskerierne, der udnytter mulighederne bedst, og hvilket vaskeri, der kræver de største buffere og tøjbeholdninger.

  For jo flere og større mikropauser (hvad enten det er for medarbejdere, arbejdssteder eller batches), jo større buffere kræves. Og jo, man kan godt resænnonere omvendt. Jo flere og jo større buffere, vi ser i en produktion, jo flere mikropauser dækker de over.

  Regnes andelen af mikropauser ud i løbet af en arbejdsdag, -uge eller -år, fås altså et udtryk for den effektivitet, hvormed det har været muligt at fordele (allokere) arbejde til medarbejderne, tøj til arbejdsstederne og bearbejdning til tøjportionerne. Og dermed er mikropauserne direkte udtryk for vaskeriets evne til at lede og fordele arbejdet. Til at udnytte produktionens potentialer.

   

  EAE, RAE og BAE

  Regneøvelsen giver 3 nøgletal:

  • medarbejder-allokerings-effektivitet (EAE), der udtrykker i hvor stor en del af den tid, medarbejderne har været til rådighed for produktionen, de reelt har behandlet tøj,
  • ressource-allokerings-effektivtet (RAE), der udtrykker i hvor stor en del af den tid, arbejdsstederne har været til rådighed for produktionen, de reelt har behandlet tøj, og
  • batch-allokerings-effektivitet (BAE), der udtrykker i hvor stor en del af den tid, en batch har befundet sig i produktionen, den reelt har været under bearbejdning.

   

  Tilsammen kaldes de Key Performance Indicators, eller blot KPI’er. KPI’erne er en slags modstykke til spildprocenter, blot beregnet på tid: medarbejdertid, maskintid og batchtid. Og her er så pointen: Optimalitet kræve høje EAE-, RAE og BAE-værdier. Samtidigt.

  Med denne viden i baghovedet, kan vi udlede, at:

  • høje EAE-værdier kræver få jobskift, ventetider og jams, og en lav, jævn fyldning af bufferne,
  • høje RAE-værdier kræver få maskinstarter, omstillinger, ventetider og jams, og en lav, jævn fyldning af bufferne, og
  • høje BAE-værdier kræver en jævn, parallel varestrøm igennem vaskeriet, i rette rækkefølger, og en tomme eller lavt fyldte buffere.

   

  KPI’erne går bagom produktivitetsberegningerne i den forstand, at kun når KPI’erne er høje, kan produktiviteten være høje og bufferne lave.

  Produktivitetstallene fortæller os ikke noget om, hvorvidt vi kan gøre det bedre, og, i givet fald, hvordan. Men det gør KPI’erne. De fortæller os med det samme, om der luft i planerne, og hvor vi i givet fald skal rette opmærksomheden hen, for at tage denne luft ud. Om det er på medarbejderallokeringen, batchallokeringen eller ressourceallokeringen.

  Men vi ser det kun, hvis vi først fjerner bufferne. Forudsætningen for en god plan med buffere, er en god plan uden buffere.

   

  ---

  Om Steen Søgaard-Pedersen

  Steen Søgaard-Pedersen er født i 1963 i Dan­mark, uddan­net B.Sc. med speciale i produktions­planlægning, manage­ment og organisation.

  Hans arbejde er baseret på års erfaring med virk­somhedsdrift og ‑planlægning på mange niveauer, både i produk­ti­ons-, service- og udvik­lingsvirk­somheder (bl.a. 8 års erfaring som vaskeridirektør).

  På internationalt plan er han en af vaskeriindustriens mest er­farne in­denfor konkretisering og gennemførelse af planlæg­ningsteori i praksis, med dyb indsigt i de forhold, som er væ­sentlige for rationel drift af og indkøb til batchpro­duktioner.

  Han har udviklet de effektive Key Per­formance Indicators, der gør det muligt at bench-marke produktioner på tværs af virksomheds-, geografiske, organisatoriske og industrielle grænser, og som præsenteres i denne bog.

  Endelig er han professionel forfatter til såvel fag­artikler og læ­rebøger, han fungerer som råd­giver for be­styrelser, og han under­viser ledere og mellem­ledere.

   

   

   

   

   

   

  By:Steen Søgaard 0 comment

• 30 aug
  Degrees of freedom

  We want good, optimal plans in the laundry production – how paradoxical that may sound.

   

  A plan may be optimal, as well as every plan in a series of plans. It just doesn’t make the plans all together optimal.

   

  Because of the continuous pressure of batches in the check-in, hygienic conditions and insufficient storing capacity the planners are seldom allowed the luxury to store batches from an entire shift, i.e. produce today what was sorted out yesterday.

  More often the planners have to decide on a planning lot size between one batch and all batches. This decision is normally determined by balancing the market situation, the physical storage capacity and the finished goods inventories.

  Furthermore it is not suitable to plan ahead too long. The world changes. A machine breaks down, operators are taken ill, new rush orders arrive, and so on. Contrary to short production plans, long plans involve the risk of something changing during execution, which calls for replanning. Short plans do not have to be replanned. They end in a moment anyway.

   

  Lot sizes
  But if there is a major imbalance in capacities, for instance an oversized continuous batch washer (CBW), when do you start the CBW, and when do you stop it again? How big should the production lot size through the CBW be, when the machine is so expensive to stop, but inexpensive to run once started?

  Had we had the opportunity, had we had the time, the computing power and the software, we could have taken all the batches, all the capacities and all the employees from a given day, and calculated the consequences of each and every sequence alternative – with all the constraints and dependent consumptions our laundry production is subjected to. It is from these process route alternatives and batch sequences the optimal production lot size on a given workstation is derived.

  In a dynamic environment that is, what it takes to calculate the right lot sizes. There are no easy formulas. Those that exist don’t work, are oversimplified, or give, at best, a suboptimal solution to a limited part of the problem.

  But we do not have the time or the computing power. To that the problem is far too complex, far too big. Instead we have to search for the optimal solutions in other ways.

   

  Searching
  And searching is the right word for it, because the optimal solution is constructed. It is not an outcome, which can be calculated or localized, or a decision pattern, which can be reproduced.

  It is created. In the dynamic production environment it breaks out as the result of coordinated, purposive, focused actions, decision by decision, and is identified by its characteristics.

  The optimal solution is created by selection, and spreads its consequences to consumptions and capacity loads, and from there to the accounts.

  We know from other batch industries that the total variable costs depend on the very way we send batches through the production – because every batch draw differently on the resources, because alternative process routes have different flow capacities, and because batch sequences in this way indirectly determine the resource consumption and capacity utilization.

  Once and for all we have to understand what the optimal solution looks like, and what its qualities are, in order to recognize it by its characteristics when it surfaces in the laundry production. And in order to choose batch sequences, process routes and employee allocations in such a way that we, by each choice, make sure that it really is the optimal solution we create in the production, when our decisions are carried out.

  When 10 different batches may be sent into the laundry production in more than 3.6 millions different sequences, that is, what it is all about.

   

  The unpleasant questions
  Not all these sequences generate unique consequences, but most of them do. The problem is that those responsible for the production planning most often are not aware of it, and are almost never able to point out the sequence which best fulfils the management’s requirements – whether it be regarding economy, quality, lead-time, consumption or load.

  And then it gets unpleasant.

  Did the laundry management at all give the planners the necessary information to make qualified decisions?

  Do the planners know what is required of them?

  And of the laundry? Do they have a proper education?

  The necessary knowledge of the production and its dependencies? Are they able to foresee consequences of their decisions?

  In time? Are they rewarded for good decisions and reproved for bad ones?

  What is a good decision?

  What is a bad decision, and how do we recognize it if it should appear in our production?

  To give specific answers we need a specific laundry – but generally only a few are able to respond with a definite yes to these questions.

  When asked most responsible planners and production managers answer no:

   

  We do not have access to the relevant information, methods or systems to carry out production planning according to specific targets,
  

  We have not been informed about the connections between the daily planning decisions and the consequences in the accounts, or their weights.

   

   

  The people responsible for the total variable costs in the laundries worldwide (some 10 billions UK£) have – at best – a craftsman’s background and 3 months general laundry education, with no qualification in planning techniques or insight into financial contexts,

  It is most often unwelcome and almost reprehensible to reward and reprove in the production. In most laundries, especially in Western Europe, they avoid it. It is more or less analogous to ban counting the goals in a soccer match, or to clock a 100-metre race – events most of us take lightly. It is all right to have fun in the production, but make no mistakes. We do not run the laundry for the fun of it,

  We cannot tell a perfect plan from a good plan, and sometimes not even a good plan from a bad. We do not know what to look for. Of course, afterwards everybody can tell a good day from a bad, measured by productivity or consumption, but not the good decisions from the bad ones while they are made or carried out,

  Most often there are no systematized or formalized planning strategies in the laundries, and if there are, they most often do not cohere with measuring points, measuring frequencies, key figures or the desired results in the accounts.

  The problem is, that when you look at a plan isolated, nothing tells us whether we are actually dealing with the optimal plan or not.

   

  Planning methods
  We have to know the cost curves if we are to identify the solution in the bottom of the curve – the one with the minimal total variable costs, shortest lead-time or lowest water consumption etc.

  But do we know the curves?

  No. They are unique to each planning situation. And we do not have a figure or a value to tell us unambiguously that a plan is optimal, i.e. cannot be improved. Only experience, insight into planning techniques or a set of special key performance indicators (the allocation efficiencies), which we are not able to compute manually.

  Instead we can try to re-establish one of the really good days as a plan in a Gantt-chart. It is an exercise that gives a good general view of the laundry production’s dependencies and preconditions, and allow us to recognize patterns which we can use as product mix benchmarks in future plannings.

  Plenty of time and access to all the batches from a production shift would allow us to sort, sequence and route batches as they best fit the available capacities, bottlenecks and buffers, and allocate operators accordingly.

  But even in such an advantageous situation we are not able to take into consideration all the constraints, dependencies and alternatives. There are too many. We would also require sufficient raw computing power and an optimizer software called APS, Advanced Planning & Scheduling System, which costs a fortune.

  For lack of an APS we could use operation strategies based on the same search techniques used in the APSs. The operation strategies are simpler and do almost the same, but they are hard to handle manually and require educated and experienced planners and managers. And the strategies themselves… well, not that many people in the world know how to formulate them. But still, education is often cheaper than management software.

  For lack of an operation strategy we could use product mix norms as an approximation. They identify efficient category patterns and batch ratios down the laundry’s process routes; constitute a kind of benchmark for choosing, sequencing and routing batches into the laundry. But, but, but… they are static solutions to dynamic problems. We may be able to identify such patterns, but if something in the laundry set-up changes: consumptions, capacities, availabilities, demand etc., they are no longer valid. And things do change, needless to say – sometimes by the hour.

  For lack of a product mix norm and any other focused method, we try to make each batch fit in as best we can. Maybe two, three or four batches at a time, but to do so, and still be able to avoid micro and macro pauses, we need a lot of buffers. Many laundries are operated in this way.

  And there is absolutely no doubt: In a dynamic market and a planning environment subjected to all the variables in a modern, complex laundry production, optimization with an APS is by far the easiest, fastest and most efficient means, and actually also the planning method which require the least experience and technical background, because search strategies and planning techniques are built into the systems.

  On the other hand operation strategies and product mix norms are applicable almost immediately, without the big investments in computers, network and software. They are nothing but condensed knowledge.

   

  Operation strategies
  And they do exist, the few really skilled laundries, those who use operation strategies – those who have chosen a specific criterion (e.g. to minimize costs or lead-time, or to maximize productivity) and have formulated a strategy, which they have reason to believe will fulfil this criterion.

  But what is an operation strategy then?

  It is a formalized method for how to:

  • define an overall, specific criterion for a production plan,

  • derive from this criterion a search strategy that creates the optimal arrangement of activities in the laundry production, and

  • define key performance indicators to ensure, without delay, that the optimal solution actually is materializing, batch-by-batch.

   

  The example
  Operation strategies are based on the recognition of the optimal solution’s characteristics, much like the search strategies found in APSs, just not as elaborate, though.

  Once the planners have realized what the characteristics of an optimal plan are (through real life experience, practices with Gantt-charts, from a simulation model or from an APS), they also know what they want to see in the production. With knowledge of planning techniques they should be able to formulate decision strategies that re-creates these characteristics.

  Without going into full length or detail, a concrete operation strategy aimed at minimizing lead-time could read as follows:

   

  Among all the sorted out, categorized and prioritized batches in the check-in:

  • chose an adequate number of batches (e.g. 20 or 30)

  • whose weighted, average drying time

  • divided by their weighted, average CBW cycle time

  • are close to, but do not exceed, the available drying capacity.

  It may sound difficult, but it is quite simple once you get the drift of it. And it prevents dryer jams.

  From this pool of batches chose the one:

  1. whose specific drying time / cycle time ratio best level the average ratio at the available

  drying capacity (avoids dryer jams),

  2. if two or more batches do that equally well, chose the one(s) with the least influence on the

  resulting CBW cycle time, (groups batches around equal cycle times)

  3. among these, chose the ones which have the earliest end time on the last workstation along

  process routes (favors fast batches, low load process routes, parallels the flow of batches,

  takes the pressure of bottlenecks and keeps a high average lead-time),

  4. among these, chose the one with the earliest start time on first workstation downstream from

  the dryers (favors process routes with empty or low load buffers, and parallels the batch

  flow), etc.

  5. and repeat from 1. until all batches are arranged in sequence.

   

  The main purposes of this strategy are to parallel the batch flow, aim it at the fastest process routes and send batches downstream as soon as possible to achieve full overlap. This is how lead-time is reduced.

  Depending on the planner’s skills and the information available, the strategies may be more or less detailed. Lowering the level of detail would be to focus on buffer contents only. Raising the level of detail would be to include rush order priorities, keep together batches from one and the same customer, split process routes up into sections betweens buffers, and the like.

  In this strategy I have assumed the planners know what to sort in the check-in and what is required in the dispatch, i.e. they have determined the net demand.

  And as you may have noticed, consumptions and costs are not included in the strategy.

  Had the strategy criterion been different, e.g., minimizing the total variable costs, the strategy focus would also have been different. We should then identify batch sequences with low dependent consumptions, workstations with low set-up and stop costs, process routes with the few operators, and so on. We would see sequences, route choices and allocations different from the ones generated by the first strategy.

  Each criterion calls for a unique strategy. And since the laundry, some days, prefer to minimize costs, where as they at other days want to minimize lead-time, they need to formulate strategies to suit the alternating requirements.

   

  Among the blasted
  We all know them, the days when everything goes well together. The right linen is at the right place, at the right time. There is a calm, steady flow of batches through the production, in pace with dispatch.

  Everyone having worked in a production knows that among all the other blasted, endless and stressing days, these quiet but very productive days occur.

  In a Gantt-chart, one of these better days might look like this:

   

  

  Each beam represents a batch, and the colour of the beam represents the workstation.

  It’s a stable plan, with efficient operator allocations, no nervous reshuffle, and only a few short micro pauses – even though the plan is buffer free. It couldn’t be much better.

   

  Micro pauses
  In a laundry with no buffers, and where the operators keep a high, steady pace, you will find the small pauses that occur, when an operator awaits batches on a workstation for a few moments, or a when a workstation awaits operators, or when a batch awaits processing.
  Employee, workstation or batch pauses.

   

  Allocation efficiency
  From the micro pauses we are able to calculate a set of very powerful key performance indicators (KPIs), and even though they are hard to quantify, understanding them gives us a fundamental knowledge of what is required to make optimal plans.

  An example:

  One laundry produces 35 kilograms per employee working hour, another 53. Which laundry is getting the most out of its potential?

  We don’t know. It depends on how much potential is left – wasted. Productivities do not tell us that.

  To find out we need to deduce a method to quantify the locked-up potential, like weighing the waste steel plate from plasma cutters.

  In a laundry waste is measured in minutes, i.e. the time batches, employees and workstations would be inoperative had they been planned in a buffer free production.

   

  EAE, RAE and BAE

  The arithmetic exercise gives us 3 key figures:

  • Employee Allocation Efficiency (EAE), which expresses to what extent one or more employees have been operative during the time they have been available to production,

  • Resource Allocation Efficiency (RAE), which expresses to what extent one or more workstations have been operative during the time they have been available to production, and

  • Batch Allocation Efficiency (BAE), which expresses to what extent one or more batches have been processed during the time they have been available to production.

  Together they are called Key Performance Indicators.

  So here is my point: Optimality requires high values on all three KPIs – at the same time. Not the easiest thing in the world.

  To keep a high EAE-value, we must avoid reallocations, waits and jams, and maintain stable buffer contents.

  To keep a high RAE-value, we must reduce the number of set-ups, starts, change-overs and jams, and keep stable buffer contents.

  To keep a high BAE-value, we must maintain a steady, parallel, overlapping batch flow, avoid jams, and keep buffers empty.

  Productivity calculations do not tell us whether we are using the laundry to its full potential, or how to do so.

  The Key Performance Indicators do that. And they tell us where to focus our attention and efforts, be it on the employee allocation, the batch allocation or the resource allocation.

  And here’s another point: We will only find out, if we start planning buffer free. Good plans with buffers are based on good plans without buffers.

   

   

  By:admin 0 comment