Analysera mera och gör tillverkningsprocessen lönsammare

Dela med dig:
Dela på facebook
Dela på twitter
Dela på linkedin
Dela på email

Tillverkningsindustrin har pressats rejält på senare år. Produktivitetstillväxten för industriföretag i EU har enligt OECD i princip halverats sen millennieskiftet. De flesta har redan vidtagit de mer uppenbara åtgärderna för att slimma sin produktion och få ut så mycket som möjligt ur sina anläggningar och leveranskedjor. I vår allt mer föränderliga och osäkra omvärld måste dessa företag – och även ditt om du tillhör dem – hitta nya sätt att stärka sin produktivitet och sin lönsamhet. Men hur?

Chansen är stor att du sitter på svaret: din egen data.

Trots att en tillverkningsprocess skapar massiva datamängder varje dag utnyttjas den inte som den borde. Tillverkningsindustrin har länge legat senare än andra industrier när det kommer till IT, men med dagens affärssystem och smarta analysplattformar finns det goda möjligheter att ta igen försprånget.

Hur kan du då göra din tillverkning lönsammare genom att analysera mer data? Här är några metoder som används av andra företag.

Avslöja dolda problem

För det första kan dataanalys avslöja problem som ingen kände till, från dolda flaskhalsar till olönsamma produktionslinjer. Sensorer på maskiner och andra produktionstillgångar kan samla in och analysera data vi människor aldrig uppfattar och än mindre kan bearbeta med våra hjärnor.

Undvika produktionsstopp och minska nertid

En produktionslinje som står stilla är vanligtvis en mardröm för alla tillverkningsföretag. Varje timme, varje minut, kostar multum. Att hoppas att någon med tillräcklig erfarenhet ska befinna sig på golvet och känna igen tecknen på att en maskin håller på att gå sönder i tid är minst sagt riskabelt.

Prediktivt underhåll (predictive maintenance) är ett sätt att löpande analysera dina maskiners historiska resultat och förutsäga när någon av dem sannolikt kommer att gå sönder. Det gör att man kan begränsa tiden den står still och identifiera roten till problemet.  Enligt McKinsey kan denna analysmetod minska maskinernas nertid (down time) med 30 till 50 procent och förlänga deras liv med 20 till 40 procent.      

YET maximerar produktionstakt och avkastning

Så kallad Yield-Energy-Throughput (YET) analys används för att se till att maskiner arbetar så effektivt som möjligt för att optimera deras avkastning (yield) och takt (throughput), och få ned energiförbrukningen. Genom att stora mängder data hela tiden samlas in och analyseras, kan en process trimmas så att den levererar en högre avkastning, till exempel genom att justera komponenterna i ett material, omfördela resurser eller att använda outnyttjad kapacitet.

Öka lönsamheten i hela produktionsprocessen

Profit-Per-Hour-analys (PPH) granskar de tusentals parametrar som påverkar hela flödets lönsamhet från inköp av råmaterial till försäljning, och ger insikter i hur den kan förbättras.

Analysmetoder som prediktivt underhåll, YET och PPH har enligt McKinsey visat sig kunna öka marginalen (EBITDA) med 4 till 10 procent – en hel del i här sammanhanget. 

Det finns förstås fler sätt att dra nytta av datan om en tillverkningsprocess, men poängen med alla är den här: när du tror ni gjort allt genom att skruva på produktionen så har ni förmodligen inte det. De mer avancerade analysmetoder som har används i industrin ett tag har visat sig leda till bättre utnyttjade produktionstillgångar, minskade kostnader och ökade intäkter.

Dela med dina vänner

Dela på facebook
Dela på twitter
Dela på linkedin
Dela på pinterest