Zuivelfabrikant FrieslandCampina produceert verschillende soorten zuivel, die vervolgens in een van de distributiecentra (DC) opgeslagen worden voor verdere distributie. Zo ook in het recent gebouwde DC van FrieslandCampina in Maasdam: een vrijwel volledig geautomatiseerd magazijn waarin pallets met zuivel opgeslagen en gepickt kunnen worden. Vanwege de plannen om het DC in Rotterdam te sluiten, rijst de vraag of het DC in Maasdam genoeg capaciteit heeft om dat op te vangen of dat er ergens bottlenecks ontstaan.
De vraag van FrieslandCampina aan SD&Co:
““Wat is de huidige capaciteit van het DC en op welke manier kunnen we deze capaciteit verhogen?”
Om deze vraag te beantwoorden hebben we samen met het projectteam binnen FrieslandCampina twee simulatiemodellen ontwikkeld, de data uit verschillende IT-systemen geanalyseerd en meerdere tests in de praktijk uitgevoerd.
Tijdens dit project hebben we een aantal inzichten opgedaan die nuttig kunnen zijn voor bedrijven die de capaciteit van een distributiecentrum of fabriek willen optimaliseren.
1. Het is niet eenvoudig om de capaciteit (en de bottlenecks) van een distributiecentrum te bepalen
Zelfs als het om een bijna volledig geautomatiseerd en gepalletiseerd DC gaat, blijkt het in de praktijk lastig om te bepalen wat de huidige capaciteit is. Bij dit project waren er 3 informatiebronnen beschikbaar:
(1) de ontwerpcapaciteit van de leverancier (2) de gemeten doorstroming in de afgelopen 10 dagen (3) de gemeten tijd tussen opeenvolgende pallets in de afgelopen 10 dagen
Maar 3 verschillende klokken staan zelden gelijk, zo ook hier. We zagen dat de theoretische capaciteit (ontwerpcapaciteit) structureel lager was dan de gemeten capaciteit (de maximale doorstroming in de afgelopen 10 dagen). Maar zelfs de gemeten capaciteit is in veel gevallen een onderschatting. De snelheid van een processtap is namelijk niet alleen afhankelijk van de capaciteit van die processtap, maar bijvoorbeeld ook van de aanvoer van pallets, opstoppingen verderop, etc. Zowel de theoretische als de gemeten capaciteit bleek daarom in veel gevallen lager te zijn dan de berekende capaciteit. Deze is berekend op basis van de gemiddelde tijd tussen opeenvolgende pallets te meten.
Conclusie:
Wanneer je verwacht dat er in je distributiecentrum of fabriek in de toekomst bottlenecks gaan ontstaan, is het waardevol om te weten wat de capaciteit van deze processen is. Als je enkel uitgaat van de theoretische of gemeten capaciteit, loop je het risico dat de capaciteit onderschat wordt. Bij een verschil tussen de theoretische capaciteit en de gerealiseerde doorstroming (per minuut/per kwartier/per uur/per dag), is het aan te raden om dit grondiger uit te zoeken. Dit kan door de capaciteit te berekenen, maar bijvoorbeeld ook door gerichte tests uit te voeren. Dit komt aan bod in punt 3.
2. Hoe hoger de mate van automatisering, hoe groter de invloed van de mens op de uiteindelijke prestaties van het systeem
Het klinkt paradoxaal, maar dit fenomeen wordt vaker geobserveerd. En zo ook in dit project. Bij FrieslandCampina bleek de belangrijkste bottleneck van het outbound proces het laadproces te zijn. In dit proces worden de outbound pallets vanuit het DC alvast klaargezet (gestaged) om, zodra de vrachtwagen er is, door de chauffeur in de vrachtwagen geladen te worden. Initieel was de verwachting dat dit proces geen bottleneck kon zijn: er zijn meer dan voldoende docks voor de vrachtwagens, de snelheid van laden is hoog genoeg om geen opstopping te veroorzaken en er is veel ruimte om de pallets alvast klaar te zetten. Maar uit de data bleek dat pieken in de staging en het laden van pallets (waarin optimaal gebruik werd gemaakt van de outbound capaciteit) elke keer gevolgd werden door dalen (waarin slechts een klein deel van de outbound capaciteit gebruikt werd).
Een aparte simulatie van dit laadproces leerde ons dat deze beperkte benutting van de outbound capaciteit veroorzaakt werd door de aansturing van de betrokken processen. Enerzijds worden pallets vaak vrachtwagen voor vrachtwagen gestaged, waardoor slechts een van de twee outbound liften tegelijk actief is en de outbound capaciteit niet volledig benut wordt. Anderzijds was men voorzichtig met het laten arriveren van meer vrachtwagens per uur, omdat chauffeurs dan mogelijk langer moeten wachten. Maar wanneer de pallets al gestaged zijn en er nog geen vrachtwagen is, kan het proces ook niet door. Hierdoor kan de afstemming met de transporteur ook een beperkende factor zijn. Beiden moeten dus gelijktijdig aangepast worden - de aankomst van vrachtwagens en het aansturen van het stagen, oftewel vraag en aanbod - om optimaal gebruik te kunnen maken van de outbound capaciteit.
Conclusie:
Als een proces grotendeels geautomatiseerd is, kan het geen kwaad ook naar de menselijke rol binnen dit proces te kijken. Des te groter de mate van automatisering, des te groter de invloed van menselijke aansturing op de performance van het proces. Het kan namelijk zo zijn dat juist in dit proces de optimalisatie te vinden is.
3. Om de maximale waarde uit de simulatie te halen zijn aanvullende tests en metingen van grote waarde
Tot slot nemen we je graag mee in het proces van het project zelf. Dit was een project onder tijdsdruk, waarbij in korte tijd een antwoord gevonden moest worden op de hoofdvraag. Na het definiëren en bepalen van de scope van het vraagstuk gingen we daarom direct aan de slag met het ontwikkelen van de eerste versie van het simulatiemodel. Dit was een iteratief proces, waarbij het verder ontwikkelen van het model steeds leidde tot nieuwe procesvragen (hoe wordt dit onderdeel aangestuurd?) en data analyse (wat is de capaciteit van dit onderdeel?).
Na ruim een week was de eerste versie van het model ontwikkeld, waarbij we met het hele projectteam controleerden of het model realistisch gedrag vertoonde. Ook werd er een sensitiviteitsanalyse uitgevoerd om te achterhalen welke variabelen een groot effect hebben op de KPIs en te bepalen welke variabelen we accurater wilden weten (de variabelen met een groot effect en nog vrij veel onzekerheid). In het weekend erop, op een rustig moment, zijn er door FrieslandCampina in het DC gerichte tests uitgevoerd (met GoPro's) om meer inzicht te verkrijgen in deze variabelen en de delen van het proces die nog niet goed in de simulatie stonden.
Hierdoor ontdekten we ook dat een potentiële bottleneck van het DC, het laadproces, nog niet in de simulatie zat en dat we nog niet genoeg zicht op dat proces hadden, waardoor hiervoor een aparte simulatie ontwikkeld werd. In een vervolgworkshop is dit simulatiemodel samen met de hele projectgroep geanalyseerd en zijn er ideeën voor verbetering gevormd. Het mooie is dat vrijwel alle ideeën voor verbetering in deze sessie vanuit de betrokkenen van FrieslandCampina kwamen, zij zitten immers het beste in het proces. Het simulatiemodel helpt om het effect van deze ideeën te testen. Uiteindelijk zijn de ideeën uit deze sessie zowel intern als met de leverancier van het systeem getest om te controleren of het haalbaar en wenselijk is om deze veranderingen te implementeren.
Conclusie:
De waarde van een simulatie zit niet in de simulatie zelf, maar in het werken mét de simulatie. Tijdens het ontwikkelen van de simulatie werden we gedwongen om heel scherp te krijgen hoe het proces functioneert. Hoe worden besluiten genomen? Zien we dit terug in de data? Tijdens het uitvoeren van de scenario analyses kregen we gezamenlijk een beeld van welke variabelen belangrijk zijn (en welke niet). De gerichte tests hebben vervolgens uitstekend geholpen om de belangrijke variabelen accurater te weten en te verifiëren of de verbeterideeën doorgevoerd kunnen worden. De intensieve samenwerking tussen FrieslandCampina en SD&Co was hier dus van essentieel belang.