OEE in Make-to-Order vs. Make-to-stock productie: een gids voor optimalisatiestrategieën

Make-to-order vs. make-to-stock OEE is een onderwerp dat de meeste fabrikanten negeren. Een fabriek die uit voorraad produceert en een fabriek die op bestelling produceert, kunnen dezelfde machines en dezelfde ERP gebruiken. Maar de manier waarop OEE hun prestaties, productieplanning en winstgevendheid beïnvloedt is fundamenteel verschillend.

Toch passen de meeste fabrikanten dezelfde productiedoelstellingen en dezelfde verbetermethoden toe, ongeacht hun model. Dit is een vergissing.

Een OEE van 75% op een productielijn met hoge variëteit en laag volume is niet hetzelfde als 75% op een productielijn die 24 uur per dag hetzelfde product produceert.

Deze gids beschrijft in detail wat OEE eigenlijk meet in elke context, waar verliezen verborgen zitten en hoe u uw controlestrategie kunt aanpassen aan uw productierealiteit. Het begrijpen van dit onderscheid is essentieel voor elke geloofwaardige aanpak voor continue verbetering.

Waarom het productiemodel de planning en productiecapaciteit verandert

Bij make-to-stock productie wordt de productie gestuurd door prognoses en het productieschema. De productieruns zijn lang, omschakelingen komen niet vaak voor en het belangrijkste doel is om de doorvoer te maximaliseren. Hier functioneert de OEE als een pure prestatie-indicator: elk gewonnen punt wordt vertaald in extra volume om de magazijnen te bevoorraden en het voorraadbeheer te garanderen.

Bij make-to-order productie reageert de productie op specifieke productieorders. De productieruns zijn kort, er wordt vaak gewisseld en flexibiliteit gaat boven brutovolume.

De OEE is daarom eerder een indicator van de productiecapaciteit om deadlines te halen dan een indicator van het volume.

Als direct gevolg hiervan zijn de hefbomen voor het verbeteren van OEE niet hetzelfde. Het optimaliseren van de productiesnelheid op een ordergestuurde lijn zonder de omsteltijden te verkorten, betekent het verbeteren van een cijfer zonder de werkelijke prestaties te verbeteren. De manier waarop monitoring wordt georganiseerd moet dit verschil weerspiegelen.

De operationele complexiteit van een op bestelling gemaakte omgeving is structureel groter dan die van een voorraadomgeving. Meer referenties, meer instellingen, meer kans op fouten. Deze realiteit negeren bij het opzetten van de OEE is als appels met peren vergelijken.

OEE en beschikbaarheid van middelen: productie uit voorraad optimaliseren

Kritische verliezen, opbrengstpercentages en kwaliteit bij lange productieruns

Bij productie op voorraad is verlies aan beschikbaarheid vijand nummer één. Elke minuut niet geplande stilstand staat voor een aantal niet geproduceerde onderdelen die aan de voorraad toegevoegd hadden moeten worden. De belangrijkste oorzaken zijn machinestoringen, wachttijden voor grondstoffen en storingen door preventief onderhoud.

De werkelijke werktijd is vaak minder dan wat de handmatige rapporten aangeven. De kloof tussen de perceptie op de werkvloer en de gemeten werkelijkheid kan wel 15 tot 20 OEE-punten bedragen. Dit is een blinde vlek die alle verdere planning verstoort.

Prestatieverlies komt op de tweede plaats. Bij lange productieruns worden microstops van 3 tot 5 seconden die 80 keer per shift voorkomen niet opgemerkt, maar ze vertegenwoordigen wel een verlies van uren per week. De werkelijke cyclustijd wijkt af van de theoretische en zonder geautomatiseerde meting merkt niemand dat.

Kwaliteitsverliezen hebben een multiplicatoreffect: een batch van 10.000 onderdelen met 3% afkeur betekent 300 onderdelen reproduceren en een vertraagde planning. De totale opbrengst lijdt er direct onder. De kosten van niet-kwaliteit zijn niet beperkt tot afkeur: ze omvatten de verbruikte machinetijd, verspild materiaal en de vertraging van volgende productieorders.

OEE-strategie en voorraadbeheer: stabiliteit vóór absolute prestaties

Het doel is om een constant hoge OEE te bereiken. Een gemiddelde OEE van 78% die schommelt tussen 60% en 90% is problematischer dan een stabiele OEE van 72%. Waarom is dit zo? Omdat planning gebaseerd is op voorspelbaarheid.

Als de logistieke afdeling de werkelijke productie niet tot op 5% nauwkeurig kan voorspellen, exploderen de veiligheidsvoorraden. De voorraadrotatie stort in en het geld dat vastzit in de voorraad wordt een financiële aderlating.

Elk percentage OEE-variabiliteit vertaalt zich in euro’s extra voorraad.

De belangrijkste indicatoren om in de gaten te houden zijn de gemiddelde tijd tussen storingen, het verschil tussen werkelijke en theoretische cyclustijden en het uitvalpercentage per batch. Real-time bewaking is essentieel voor het detecteren van afwijkingen voordat ze invloed hebben op de voorraadniveaus.

Een stabiele OEE maakt ook de toelevering betrouwbaarder. Als de werkelijke capaciteit bekend en voorspelbaar is, zijn bestellingen van leveranciers nauwkeuriger, komen noodgevallen minder vaak voor en verdwijnen de extra kosten van sneltransport.

OEE in make-to-order productie: efficiëntie en vertragingen op productielijnen controleren

Kritische verliezen en knelpunten in korte series

Bij make-to-order productie is de belangrijkste OEE-vernietiger de tijd die nodig is om van serie te wisselen. Een lijn die 8 tot 12 keer per shift van referentie wisselt, kan 20 tot 35% van zijn beschikbare tijd verliezen met instellen. Dit is een structureel knelpunt op productielijnen dat niet verdwijnt door een snellere machine te kopen.

Opstartverliezen zijn de tweede kritieke bron. Na elke omschakeling zijn de eerste onderdelen vaak niet-conform. Bij kleine productieruns kunnen deze verliezen 10 tot 15% van de totale productie uitmaken. De werkelijke productietijd wordt verlengd en vertragingen stapelen zich op, order na order.

Traditionele prestatieverliezen bestaan ook, maar ze zijn moeilijker te isoleren omdat de theoretische cyclustijd bij elke referentie verandert. Zonder een geautomatiseerd systeem is de prestatiecomponent van de OEE vaak fout bij productie op bestelling.

De extra moeilijkheid bij productie op bestelling is traceerbaarheid. Elke order heeft zijn eigen specificaties, toleranties en vereisten. OEE-tracking moet prestatiegegevens kunnen koppelen aan elke productieorder om probleemreferenties te identificeren.

Strategie voor OEE-verbetering en kostenverlaging via SMED

Bij productie op bestelling is het doel niet om de bruto OEE te maximaliseren, maar om de tijd die beschikbaar is om waarde te produceren te maximaliseren. Het verkorten van de omsteltijden met behulp van de SMED-methode is de belangrijkste hefboom en een directe factor in het verlagen van de kosten. Elke minuut die bespaard wordt op een omschakeling is een extra minuut productie.

De belangrijkste indicatoren zijn de gemiddelde tijd die nodig is om series te veranderen, de mate van succes bij de eerste keer in het verminderen van opstartverliezen en de verhouding tussen productietijd met toegevoegde waarde en totale tijd.

De algemene OEE blijft relevant als trendindicator, maar het is de gedetailleerde analyse van de oorzaken van stilstand die de winst genereert.

Strenge controle van het productieproces na elke omschakeling vermindert afkeur bij het opstarten. De beste resultaten worden verkregen wanneer operators een validatiechecklist geïntegreerd hebben in het controlesysteem.

Een kritiek punt: het meetsysteem moet referentiewijzigingen automatisch beheren. Als elke verandering handmatige interventie vereist, zullen operators het systeem verlaten. Technologie moet zich aanpassen aan het veld, niet andersom.

De klassieke fout: productiedoelen toepassen die niet passen bij het productieproces

Veel fabrikanten stellen een universele OEE-doelstelling van 85%, geïnspireerd door de uitmuntendheidsnormen. Dit cijfer is logisch voor productie uit voorraad. Het heeft geen zin bij productie op bestelling, waar veranderingen structureel 20-30% van de beschikbare tijd in beslag nemen.

Een lucht- en ruimtevaartlijn met 10 wisselingen per shift zal bijvoorbeeld nooit 85% halen, hoe efficiënt de operators ook zijn. Door dit doel te stellen, ontmoedig je de teams en breng je de indicator in diskrediet.

Als gevolg daarvan worden orderteams als ondermaats ervaren. Operators verliezen hun motivatie wanneer ze geconfronteerd worden met een onbereikbaar doel.

De fabriek ziet af van OEE-monitoring precies daar waar het het meest nuttig zou zijn.

De juiste aanpak: een productieplan met OEE-doelstellingen aangepast aan het model. In make-to-order productie is een OEE van 60% met een verbetering van 2 punten per maand een uitstekend resultaat. Het belangrijkste is het traject, niet de absolute waarde.

Het management moet ook de manier herzien waarop de OEE wordt gecommuniceerd naar de teams. Een haalbare en gecontextualiseerde doelstelling mobiliseert mensen. Een doelstelling die losstaat van het veld demotiveert. Succes hangt af van de vraag of alle belanghebbenden de context begrijpen.

Invloed van OEE op productieplanning en doorlooptijden bij klanten

OEE en betrouwbaarheid van productieplanning

Productieplanning is gebaseerd op een aanname van capaciteit. Als deze aanname fout is, stort het hele productieplan in elkaar. Bij make-to-stock productie leidt een overschatte OEE tot tekorten. Bij make-to-order productie leidt het tot contractuele vertragingen.

Het integreren van echte OEE in het planningsproces is een paradigmaverschuiving. In plaats van te plannen op 85% theoretische capaciteit, plannen we op 65% gemeten capaciteit. Het resultaat: minder gebroken beloftes, minder sneltransporten, minder boetes.

Bedrijven die hun OEE-tracking koppelen aan hun ERP of aan een soort productie-uitvoersysteem zien binnen de eerste drie maanden een verbetering van 15-25% in hun tijdige leveringen. Dit is een snel en meetbaar rendement op investering.

OEE en klanttevredenheid

Klanttevredenheid in industriële B2B wordt voornamelijk gemeten aan de hand van de mate van tijdige en volledige levering. Dit percentage wordt rechtstreeks bepaald door de werkelijke productiecapaciteit en dus door de OEE.

Een fabriek die een theoretische capaciteit van 85% plant terwijl de OEE tussen de 55% en 65% schommelt, loopt automatisch vertragingen op. Niet gemeten productieverliezen zijn de belangrijkste oorzaak van gebroken beloftes.

Een klant laten zien dat je je OEE hebt verbeterd is krachtiger dan welk verkooppraatje dan ook. Het is een meetbaar concurrentievoordeel dat vertrouwen en loyaliteit bij klanten opbouwt.

Gemengde omgevingen: wanneer productie op bestelling en productie op voorraad naast elkaar bestaan

Veel fabrieken werken in een gemengde modus. Sommige lijnen produceren grote series voor de voorraad, terwijl andere reageren op specifieke orders. Soms wisselt dezelfde lijn af tussen de twee modellen, afhankelijk van de periode en het project.

Het vergelijken van de OEE van een lijn in voorraad en een lijn op bestelling op hetzelfde dashboard zonder contextualisatie leidt tot absurde beslissingen.

De 62% op bestelling lijn, die 98% van de bestellingen op tijd levert, presteert beter dan de 80% op voorraad lijn, die te grote voorraden genereert.

De tevredenheid van de klant is het eindoordeel, niet het ruwe OEE-cijfer. OEE is een diagnostisch hulpmiddel, geen wedstrijd tussen lijnen.

Groepen met meerdere locaties moeten het productiemodel integreren in hun OEE-opslagplaats met behulp van een gemeenschappelijke database.

Interne vergelijkingen hebben alleen zin als we vergelijkbare realiteiten met elkaar vergelijken. Twee sites die op bestelling produceren kunnen met elkaar worden vergeleken. Een site op bestelling vergelijken met een site op voorraad is misleidend.

Een gemeenschappelijk referentiesysteem opzetten betekent definities standaardiseren: wat is een geplande stopzetting? Hoe classificeer je een serieverandering? Dit lijken eenvoudige vragen, maar de antwoorden verschillen van site tot site, wat vergelijkingen moeilijk maakt.

De rol van real-time monitoring: een prestatie-indicator voor elk model

Bij productie op voorraad kunnen dankzij real-time monitoring prestatieafwijkingen worden gedetecteerd voordat ze een impact hebben op de voorraadniveaus. Een onopgemerkte outputdaling van 5% gedurende een week op een productielijn met een hoge output vertegenwoordigt duizenden ontbrekende onderdelen.

Een Pareto-diagram van de oorzaken van stilstand kan worden gebruikt om prioriteit te geven aan corrigerende maatregelen voor de duurste bedrijfsverliezen. Dit eenvoudige hulpmiddel zet ruwe gegevens om in een concreet actieplan.

Bij productie op bestelling is het nog belangrijker om te controleren omdat doorlooptijden contractueel zijn. Als een serieverandering 45 minuten duurt in plaats van 20, is de impact onmiddellijk. De operator die de vertraging in realtime ziet, kan de planningsafdeling waarschuwen.

Integratie met een systeem voor productie-uitvoering maakt het mogelijk om deze informatiefeedback te automatiseren en de beschikbaarheid van middelen in realtime aan te passen. De planningsafdeling hoeft niet langer te wachten op het einde van de ploegendienst om te weten dat er een probleem is.

In beide gevallen: operators verbeteren hun prestaties als ze de waarheid in realtime zien. Het rendement van een dergelijk systeem wordt gemeten in weken, niet in maanden. Het verschil tussen handmatige monitoring die achteraf wordt gereconstrueerd en geautomatiseerde real-time monitoring is het verschil tussen reageren en anticiperen.

Praktijkvoorbeelden: de OEE aanpassen aan het productieproces in het veld

Productie uit voorraad: het geval van Hutchinson in de auto-industrie

Hutchinson, een fabrikant van auto-onderdelen die uit voorraad produceert, verhoogde de OEE van een vestiging van 42% naar 75% door stilstand te identificeren die niet door handmatige controle werd gedetecteerd. De strategie was duidelijk gericht op lange productieruns: het verminderen van stilstand, het stabiliseren van productiesnelheden en het garanderen van betrouwbare leveringen aan fabrikanten.

De winst werd in slechts een paar weken behaald dankzij de inzet van geautomatiseerde monitoring. De teams ontdekten dat microstops, onzichtbaar in handmatige rapporten, de belangrijkste bron van verliezen waren. Zonder geautomatiseerde metingen zouden deze verliezen verborgen zijn gebleven.

De impact op de toeleveringsketen was onmiddellijk: minder vertragingen, minder sneltransport en meer vertrouwen bij de autoconstructeurs die de bestellingen plaatsen.

Productie op bestelling: lucht- en ruimtevaart en korte series

In de lucht- en ruimtevaart werken onderaannemers op een ‘make-to-order’ basis met onderdelen met een hoge toegevoegde waarde. Een bruto OEE van 45% tot 55% is normaal. De uitdaging is om de omsteltijden en de uitval bij het opstarten te verminderen, niet om een onrealistisch cijfer na te streven.

De meest effectieve verbeteringsprojecten in deze sector zijn gericht op het standaardiseren van omschakelprocedures. Elke minuut die bij een omschakeling wordt bespaard, vertaalt zich direct in extra capaciteit om orders uit te voeren.

Gemengde omgeving: Nutriset en de dubbele humanitaire uitdaging

Nutriset illustreert de dubbele uitdaging van gemengde omgevingen: betrouwbaarheid bij de productie uit voorraad voor humanitaire reserves en reactiesnelheid bij bestellingen voor dringende behoeften in crisisgebieden. In de humanitaire context heeft elke dag vertraging directe gevolgen op het terrein.

Deze voorbeelden laten zien dat de sleutel niet het OEE-cijfer zelf is, maar het begrip van de verliezen die het onthult en het vermogen van teams om de juiste oorzaken aan te pakken.

Hoe u de organisatie van uw OEE-tracking kunt configureren volgens uw model

Stap 1: Bepaal het productiemodel voor elke lijn. Dezelfde fabriek kan zowel voorraadlijnen als op bestelling gemaakte lijnen hebben. De OEE-trackingparameters moeten deze realiteit weerspiegelen. Deze diagnostische fase is van fundamenteel belang en mag niet worden overhaast.

Stap 2: Bepaal de theoretische cyclustijden voor de orderregels. Zonder deze basis is de prestatiecomponent van de OEE zinloos. Moderne IoT-oplossingen beheren automatisch referentieveranderingen.

Stap 3: De tijd die nodig is om productieruns te wijzigen scheiden van de oorzaken van stilstand. Bij productie op bestelling is de omsteltijd geen afwijking, maar een operationele realiteit. Nauwkeurig meten is de eerste vereiste om het te verbeteren door middel van SMED.

Stap 4: pas de dashboards aan. De lijnen op voorraad tonen de algemene OEE en de trend in doorvoer. Orderlijnen tonen de gemiddelde omsteltijd en prestaties op tijd. Elk model heeft zijn eigen prioriteitsindicatoren.

Stap 5: Gebruiksklare geautomatiseerde monitoring implementeren die gegevens rechtstreeks van de machines vastlegt, in 2 uur, zonder enige aanpassingen aan de infrastructuur. Eenvoudige implementatie is een sleutelfactor voor de acceptatie door veldteams.

Stap 6: Train je teams om de OEE-dashboards te lezen. Een monitoringtool heeft alleen waarde als operators en lijnmanagers weten hoe ze de gegevens moeten interpreteren en corrigerende maatregelen kunnen nemen. Training is een investering, geen kostenpost.

FAQ : OEE in productie op bestelling vs. uit voorraad

Conclusie: de OEE is geen getal, maar een diagnose

De OEE is alleen waardevol in de juiste context. Bij productie op voorraad is het een indicator van doorvoercapaciteit en regelmaat. Bij productie op bestelling is het een indicator van flexibiliteit en het halen van deadlines. Als je één enkele grid toepast op beide omgevingen, mis je de echte hefbomen.

Wat belangrijk is, is begrijpen waar de verliezen zich voordoen, waarom ze er zijn en hoe ze kunnen worden beperkt. Real-time monitoring biedt deze zichtbaarheid.

Teams ter plaatse die de waarheid zien, nemen de juiste beslissingen, ongeacht het productiemodel.

Op de juiste manier geïnterpreteerd, transformeert de OEE de relatie tussen productie, logistiek en management. Het vervangt vermoedens door feiten, beschuldigingen door diagnoses en beloftes door nagekomen toezeggingen.

TEEPTRAK implementeert kant-en-klare IoT-oplossingen die OEE in realtime meten, aangepast aan make-to-order, in-stock en gemengde productieomgevingen. Installatie in 2 uur, zonder aanpassing van de infrastructuur, met native beheer van referentieveranderingen. Meer dan 400 fabrieken in 30 landen vertrouwen op onze oplossingen. Vraag om een demonstratie.