Waarom ‘meten is weten’ veel beter kan met op data gebaseerde normtijdmodellen

23/02/2023

‘Meten is weten’ is een uitspraak die in ons vak regelmatig gebruikt wordt. En dan met name in de logistieke tak en zo ook bij trajecten in Smart Warehousing. Hier valt echter nog een wereld te winnen als het gaat om ‘meten is weten’. De metingen binnen warehouses gebeuren nu vaak namelijk op de traditionele manier. Dat wil zeggen: metingen verkregen door observatie, door letterlijk met een stopwatch het proces te klokken. Dit vergt echter enorm veel tijd en kent nog een aantal nadelen. Wij geloven daarnaast dat er veel efficiëntere manieren van meten zijn binnen Smart Warehousing. Welke? Door normtijdmodellen te ontwikkelen op basis van data die toch al gelogd wordt in de operatie van het warehouse. Welke voordelen je dit oplevert? Dat lees je in onze blog!

Meten is weten: de traditionele manier

Om een warehouse te optimaliseren, is het belangrijk om te weten welke werkprocessen en processtappen veel tijd kosten en welk deel van die tijd beïnvloedbaar is door aanpassingen in het proces. Traditioneel wordt dit inzicht vaak verkregen door het proces te observeren. Enkele waarnemers lopen mee tijdens het werk dat werknemers uitvoeren en registreren hoe lang iedere handeling duurt. Denk aan: hoe lang doet een persoon erover om van plek A naar B te lopen, wat kost het aan tijd om een product van opslag naar transport te brengen of hoe lang duurt het om een fust op een pallet te stapelen.

Nadelen meten traditionele manier

Meten via deze traditionele manier kent een aantal nadelen:

Het is arbeidsintensief werk, want het meelopen duurt net zolang als het proces zelf;
Hierdoor wordt vaak maar een beperkt aantal metingen gedaan;
Deze beperkte metingen kunnen effect hebben op de schatting voor de tijd die een proces vergt.

Dit laatste punt kun je vergelijken met een dobbelsteen: als je maar vaak genoeg werpt, krijg je gemiddeld 3,5 als resultaat. Maar als je maar een paar worpen bekijkt, kan je waarneming hier behoorlijk van afwijken.

Bovendien kan het feit dat het proces geobserveerd wordt, het proces veranderen. Misschien werkt een medewerker wel sneller als er iemand staat te kijken. Of juist langzamer. Beide problemen kunnen deels ondervangen worden door het proces niet rechtstreeks te observeren, maar door gebruik te maken van video-opnames. Maar een volledige oplossing is dat niet, naar onze mening. Feit blijft dat deze metingen zeer beïnvloedbaar zijn en afhankelijk zijn van externe factoren.

Alternatieve meetmethode: gebruik gelogde data

Een alternatief is gebruik maken van data die toch al wordt gelogd tijdens het proces. Vaak zijn er al acties die geregistreerd worden met een tijdstip. Bijvoorbeeld het scannen van een product op het moment dat het in een ophaalfust wordt geplaatst. Tussen twee opeenvolgende registraties vindt een aantal handelingen plaats. Je weet niet hoelang ieder van de handelingen duurt, maar omdat je heel veel registraties hebt, kun je dat vaak wel achterhalen.

Een duidelijker voorbeeld van een proces wat we allemaal kennen: stel je registreert iedere dag hoe lang je bezig bent met de afwas en uit welke voorwerpen de vaat bestaat. Dan heb je een hele reeks waarnemingen die er uitzien als “4 borden, 4 glazen, 2 pannen = 11 minuten” of “2 borden, 3 glazen = 7 minuten”. Als je maar voldoende van deze waarnemingen hebt, kun je met behulp van wiskunde bepalen hoeveel vaste opstarttijd je hebt en hoeveel tijd het kost om bijvoorbeeld een extra bord af te wassen of een extra pan, zonder dat je ooit los gemeten hebt wat het afwassen van een bord of pan kost.

In praktijk kan het nog best lastig zijn om een goed model te ontwikkelen, al was het maar omdat niet iedere medewerker in hetzelfde tempo werkt en het proces er in ieder warehouse net wat anders uitziet. Gelukkig heeft CQM ervaring met het maken van dit soort modellen en het samenbrengen van de proceskennis van het warehouse en wiskundige methodes. Samen kunnen we bepalen of op basis van de data die beschikbaar is, een goed normtijdenmodel kan worden gemaakt.

Voordelen normtijdenmodel op basis van data

Of je nu op de traditionele manier tijden meet, of gebruik maakt van gelogde data, na afloop heb je een normtijdenmodel. Een model dat je vertelt hoe lang iedere stap in het proces duurt. Het voordeel van een model op basis van gelogde data is dat het vaak nauwkeuriger is. Je hebt gebruik gemaakt van veel meer gegevens en kunt daardoor effecten zien die verborgen blijven als je traditioneel meet. Bijvoorbeeld of het langer duurt om de laatste paar artikelen in een fust te plaatsen dan de eerste. Bovendien is het gebaseerd op de snelheid van alle medewerkers en niet alleen de medewerkers die toevallig gevolgd zijn in een meetproef. Het vormt dus een stevigere basis voor vervolgstappen.

De basis voor optimalisatie

Zodra je weet welke handelingen veel tijd kosten, in welke processen de meeste tijd gaat zitten, heb je een aanknopingspunt voor optimalisatie. Voor iedere handeling die lang duurt of vaak voorkomt, kan bekeken worden of er een mogelijkheid is om deze handeling te voorkomen of efficiënter te doen. Stel er wordt veel tijd besteed aan verplaatsingen binnen het warehouse. Dan zou gekeken kunnen worden of de opdrachten die een orderpicker krijgt, beter kunnen worden samengesteld, zodat hij minder afstand hoeft af te leggen. Of dat de locatie van bepaalde artikelen kan worden aangepast, zodat vaak samen bestelde artikelen dichter bij elkaar liggen. Een goed normtijdenmodel is de basis voor optimalisatie en voor een slim warehouse!

Wil jij ook met normtijdmodellen aan de slag?

Smart Warehousing krijgt de beste resultaten wanneer de kennis van de medewerkers van het warehouse (welke processen kunnen anders georganiseerd worden) gecombineerd wordt met wiskunde. CQM kan doorrekenen wat de effecten van de aanpassingen zijn.

Wil jij dit ook? Neem dan contact op met Geert! Volg ons daarnaast op LinkedIn of meld je aan voor onze digitale nieuwsbrief.

Interessante artikelen over Smart Warehousing:

Geert Teeuwen helpt je graag verder Neem contact op