Een producent in de procesindustrie met een netwerk van assets verdeeld over Europa moest flexibeler inspelen op de klantvraag in combinatie met met een hoge asset utilisation, lager werkkapitaal en lagere transportkosten.
De situatie is complex, de uitstroom uit de installaties is niet zomaar tussendoor te stoppen en een verandering van materiaal levert zeer veel productieverlies op. Een producttype wissel zonder verandering van materiaal is goed te doen. Verder zijn de asset verschillend en hebben hun eigen karakteristieken.
De producent beschikt over 25 productielijnen en bedient 1.000 klanten met in totaal 2.500 producten. Kortom, een complex planningsvraagstuk waarvoor ons More Optimal platform is ontworpen.
AANPAK
De Planners werkten met een combinatie van SAP en Excel sheets. Het aantal variabelen waarmee ze te dealen hebben, is fors en gevraagde levertijden worden steeds korter. De Planners verstonden hun vak, maar de complexiteit van de puzzel was te groot voor de beschikbare middelen. Er was nog steeds veel te winnen.
Ons generieke More Optimal platform maakt het mogelijk om in korte tijd een klant specifieke applicatie te maken, waarin alle relevante planningsregels worden meegenomen. Het platform wordt in nauwe samenspraak met de gebruiker ingericht. Als eerste hebben we de relevante Key Performance Indicators (KPI’s) gedefinieerd. (1) demand fulfilment, (2) asset pull / productiviteit, (3) Inventory, (4) transportkosten en (5) planning effort
In een aantal gezamenlijke werksessies werden het planningsproces en de allocatieregels van producten op productielijnen vastgesteld. Verder werden de transportmogelijkheden van productielocaties en de regels voor productwisselingen geïnventariseerd. Stapsgewijs en in intensieve samenwerking met de Planners hebben we het More Optimal platform ingericht. Ons platform toont real-time de consequenties van beslissingen door de Planners en geeft adviezen voor een betere planning.
Daarnaast wordt de applicatie gebruikt voor evaluaties van what-if scenario’s om de impact van die scenario’s op de Key Performance Indicators te bepalen. De producent gebruikt deze functionaliteit in de jaarlijkse planning en budgettering en voor concrete operationele vraagstukken.
UITDAGING
Verpakkers van versproducten hebben te maken met soms sterke fluctuaties aan de aanbod- en aan de vraagzijde. Ze verwerken vaak een groot aantal verschillende producten, die binnen een productsoort ook weer sterk kunnen verschillen: kwaliteit, klasse, grootte. Daarnaast hebben afnemers een veelvoud aan verpakkingswensen en zijn er prijsafspraken met afnemers.
De tijdspanne waarbinnen Verpakkers vraag en aanbod moeten matchen is kort. Hoe combineer je klant en concreet product voor een hoge klanttevredenheid en hoge ‘verwaarding’? En hoe ga je om met last minute wijzigingen in vraag en aanbod – bijvoorbeeld als een batch wordt afgekeurd vanwege kwaliteitseisen?
AANPAK
In deze concrete case werkte de Verpakker voor de allocatie van producten op verpakkingslijnen en detailplanningen per lijn met Excel-sheets. Dit veroorzaakte de nodige misverstanden en fouten. en een hogere werkdruk voor de planners dan noodzakelijk. Zij waren veel tijd kwijt (iteraties) met het maken van uitvoerbare plannen, er was onduidelijkheid over de juiste versie van de planning en wat nou de juiste getallen waren. De nood was hoog en de voordelen van het More Optimal platform waren zo evident dat de Verpakker niet eerst een ‘proof of value’ wilde, maar direct het besluit nam tot de ontwikkeling en implementatie van een dedicated applicatie op basis van het More Optimal platform.
De doelen waren (1) sneller tot een werkbare planning komen, (2) meer efficiency in de operatie, (3) kortere lead time in verband met de versheid van de producten, (4) een betere demand fulfilment en (5) meer flexibiliteit.
Het More Optimal platform maakt het mogelijk om in korte tijd een klant-specifieke applicatie te bouwen met alle relevante planningsregels. De applicatie wordt in nauwe samenspraak met de gebruiker ingericht. Als eerste zijn de relevante Key Performance Indicators (KPI’s) gedefinieerd om de kwaliteit van het allocatieplan kwantitatief vast te stellen. Twee van die KPI’s betreffen Demand Fulfillment en Lead Time (in verband met de versheid van het product).
In een aantal gezamenlijke werksessies werden de allocatieregels van producten opgesteld en werd bepaald hoe producten van leveranciers mogen worden gealloceerd aan klanten. Stapsgewijs en in intensieve samenwerking met de Verpakker werd een dedicated applicatie ontwikkeld. Deze toont de consequenties van de beslissingen die de Planners nemen en geeft adviezen voor een betere planning. Vervolgens werd de applicatie uitgebreid met plannings-ondersteuning voor de optimalisatie van de detailplanning per verpakkingslijn om omsteltijden op de lijnen te minimaliseren en de verwerkingscapaciteit (OEE) op de lijnen te verhogen. De applicatie meet de operationele prestatie aan de hand van de afgesproken KPI’s.
UITDAGING
Een containerterminal kwam door een verdere stijging van het aantal te verwerken units aan de grenzen van zijn capaciteit. Ook moest de terminal aantrekkelijker worden voor schepen om aan te meren door sneller te lossen en laden voor kortere wachttijden. Verder worden containerschepen steeds groter, waardoor de complexiteit en de tijdsdruk op de terminal toeneemt.
De opdracht was de efficiency te vergroten door meer in- en uitgaande truckbewegingen mogelijk te maken en de wachttijden van schepen te verkorten.
AANPAK
Aan de hand van data uit het ERP-systeem betreffende plan en actual over een representatieve periode werd de huidige werkwijze van de terminal gerecontrueerd in ons Planning Platform. De feitelijke operatie werd gevisualiseerd en geanimeerd, waardoor van positie naar positie de verplaatsingen van elke individuele container kon worden gevolgd. In een zeer interactief proces met de opdrachtgever werd de reconstructie gevalideerd en verder gefinetuned.
Vervolgens werden met ons Planning Platform de huidige operationele prestaties van de terminal bepaald aan de hand van gezamenlijk geïdentificeerde Key Performance Indicators (KPIs), zoals de aanmeertijd per barge, het aantal kraanbewegingen in/uit en het aantal truckbewegingen in/uit. Daarna werd met exact dezelfde dataset en randvoorwaarden een simulatie uitgevoerd van een geoptimaliseerde operatie. De vergelijking van de KPIs van de huidige en geoptimaliseerde operaties gaf direct een helder beeld van het verbeter-potentieel.
In nauwe samenwerking met de opdrachtgever werden toen stap-voor-stap eerst het plan voor een aantal containers geoptimaliseerd totdat uiteindelijk het totaal was geoptimaliseerd. Na elke stap werd de verbetering gemeten aan de hand van de geïdentificeerde KPI’s.
Uitdaging
Een mondiale verzekeraar ontving 40-50 claims per dag die moesten worden geëvalueerd en geverifieerd op basis van verschillende factoren voordat ze werden goedgekeurd voor betaling. De meeste claims kwamen aan als ongestructureerde gegevens, hetzij als PDF’s of gescande documenten, waardoor het moeilijk was om informatie op te halen om tijdig in verschillende systemen in te voeren. Als gevolg hiervan werden claims niet snel genoeg verwerkt. Het bedrijf sloot elk jaar af met miljoenen euro’s aan openstaande claims met impact op de klantenservice.
Aanpak
Het bedrijf implementeerde RPA met ABBYY Flexicapture om de verwerking van claims en betalingen te stroomlijnen. De software robots leidden gescande claims die per email binnen kwamen door Flexicapture om de ongestructureerde gegevens om te zetten in gestructureerde indelingen die leesbaar zijn de robots. Vervolgens namen de robots de gegevens weer over, verifieerden alle informatie en controleerden de uitzonderingen. Correcte claims, werden goedgekeurd voor betaling en teruggestuurd naar de tussenpersonen. Als er informatie onjuist was of als er uitzonderingen waren, werden de claims naar een medewerker gestuurd voor nader onderzoek.
UITDAGING
Een jonge keten van betaalbare luxe hotels kende een sterke groei. Onlangs ontving het een injectie met vers kapitaal voor een nog snellere groei.
De uitdaging is om de interne processen en de organisatie op te schalen. De IT-directeur had ervaring met RPA bij zijn vorige werkgever en wilde hier de mogelijkheden verkennen.
AANPAK
De eerste gedachte was om drie RPA-platforms te vergelijken. Maar omdat er geen mogelijkheid was om tests uit te voeren in een andere omgeving dan in productie, werd dit idee terzijde geschoven.
Onze klant had eerdere ervaringen met UiPath; daarom besloten we om de toepasbaarheid van dit platform in deze omgeving te testen.
Samen met de interne organisatie hebben we in totaal 16 mogelijke use-cases geïdentificeerd. Ze varieerden van applicaties in het contact center, verschillende financiële processen, het afhandelen van ‘no shows’ tot het ondersteunen van de IT-crew die steeds afreisde om alle IT-systemen in een nieuw gebouwd hotel te testen. Al deze cases zijn omgezet in aanvullende RPA-toepassingen, en de hotelketen gaat maar door met het identificeren van nog meer use cases.
UITDAGING
Een groot elektrotechnisch en werktuigkundig ingenieursbureau was van plan om process mining in de organisatie te introduceren.
Maar eerst wilde zij meer inzicht krijgen op drie gebieden: de mate van geschiktheid in de eigen bedrijfsprocesomgeving, de daadwerkelijke mogelijkheden van process mining en wat een goed passend pakket zou zijn.
Axisto werd uitgenodigd voor de POC, omdat het een uitgebreide kennis heeft van proces mining en de verschillende pakketten die op de markt zijn.
AANPAK
Het initiatief werd geleid door een geïntegreerd team van ICT en Inkoop. De POC richtte zich op het uitgifteproces van Duurzame Bedrijfsmiddelen.
Er moesten drie vragen worden beantwoord:
Zijn de bestaande IT-systemen en de datakwaliteit geschikt?
(2) Kunnen de cruciale vragen met betrekking tot prestatieproblemen
worden beantwoord?
(3) Levert process mining in vergelijking met de aanwezige analyse tools
toegevoegde waarde?
Verder was het bedrijf geïnteresseerd in extra dashboardfunctionaliteit, dus kozen we voor een process mining pakket met deze functies. Ook hebben we een pakket gedemonstreerd dat juist gericht is op pure projectmatige procesanalyses. Beide pakketten worden op heel verschillende manieren in een organisatie gebruikt en belegd, dus interessant om te vergelijken.
Bedrijf:
Fabrikant van geavanceerde industriële machines.
Uitdaging:
Complexe toeleveringsketen met veel SKU’s en lange doorlooptijden. Moeite om het aanbod af te stemmen op de sterk schommelende vraag. Een continue stroom van ontwerpaanpassingen.
Werkwijze:
Via data-analyses brachten we de karakteristieken van het bedrijf in kaart en stelden we speerpunten voor verbetering vast. Dit leidde tot het ontwerp en implementatie van een maatwerk S&OP-applicatie – een tool om besluitvorming te ondersteunen.
Bedrijf:
Chemische compounds.
Uitdaging:
Effectieve besluitvorming voor middellange termijn over de toewijzing van producten aan productlijnen.
Internationaal bedrijf met meerdere vestigingen met meerdere productielijnen.
Sterke invloed van batchgrootte en productvolgorde op capaciteit van productielijnen.
Minimaal één jaar van tevoren moet de toewijzing van producten aan productielijnen worden gepland.
Onzekere vraag en grote invloed van marktschommelingen.
Complex plaatje van kosten en omzet in de mondiale supply chain, waaronder fiscale stelsels.
Werkwijze:
Een wiskundig optimalisatiemodel voor de mondiale supply chain gebouwd.
Het model inbouwen in een gebruikersvriendelijk softwaresysteem waarmee de besluitvorming wordt ondersteund.
Toekomstige gebruikers en het management betrekken om de kwaliteit te waarborgen en acceptatie van het nieuwe systeem te bewerkstelligen.
Overbrengen van het systeem naar de organisatie en beschikbaar blijven voor ondersteuning.
Bedrijf:
Bedrijven op het gebied van high-tech, consumptiegoederen, levensmiddelen en bouwmaterialen.
Uitdaging:
Ontwerp van optimale en haalbare integrale supply chain.
Werkwijze:
Doel, reikwijdte, beslissingscriteria en besluitvormingsproces vaststellen.
Alle belanghebbenden en experts tijdens het proces betrekken om hun commitment te verkrijgen en vertrouwen te scheppen.
Ervoor zorgen dat alle relevante data over de feitelijke situatie en toekomstige trends beschikbaar zijn.
Een wiskundig optimalisatiemodel van de mondiale toeleveringsketen aanpassen en valideren.
Workshops ter voorbereiding van beslissingen organiseren waarin scenario’s worden ontwikkeld en besproken.
Sessie organiseren om aanbevolen opties te bespreken en op basis hiervan een ontwerp te kiezen.
Bedrijf:
Aannemer voor onderhoud van spoorweginfrastructuur.
Uitdaging:
Onderhoud waarmee inspectie wordt uitgevoerd via camera’s langs de spoorlijn.
Technologie voor voorspellend onderhoud invoeren om inspectie te stroomlijnen en te verbeteren.
Werkwijze:
Data over uitgevoerde inspecties verzamelen om een grote test set met waarnemingen te creëren.
Een zelflerend algoritme ontwikkelen (gebaseerd op neurale netwerken) om de inspectie te automatiseren.
Valse positieven (beoordeeld als oké, maar in feite niet oké) en valse negatieven (beoordeeld als niet oké, maar in feite oké) tot een minimum beperken.
De software in de liveomgeving testen en valideren.
