[et_pb_section fb_built=”1″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout”][et_pb_row _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout”][et_pb_column type=”4_4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout”][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” sticky_enabled=”0″]<\/p>\n
De realiteit is grimmig: de gemiddelde totale effici\u00ebntie van apparatuur in de productie-industrie is 55-60% en slechts 6% van de fabrieken haalt de wereldklasse van 85%+.<\/strong> De schok is vaak hard voor productiemanagers die ontdekken dat hun handmatige OEE-berekening 10-30% van de verborgen productiecapaciteit maskeert.<\/p>\n In 2025, met een markt voor OEE-oplossingen die tegen 2033 USD 12 miljard zal bedragen, is de prioriteit niet langer “moeten we meten? maar “hoe kunnen we de betrouwbaarheid van onze gegevens garanderen? In dit artikel kijken we naar de 7 fatale fouten die uw meetgegevens verstoren, met voorbeelden van McKinsey, Evocon en Symestic. <\/p>\n OEE (Overall Equipment Effectiveness) combineert drie kritieke dimensies van productietijd:<\/p>\n OEE = Beschikbaarheid \u00d7 Prestatie \u00d7 Kwaliteit<\/strong><\/p>\n McKinsey heeft aanzienlijke winsten gedocumenteerd die gekoppeld zijn aan een nauwkeurige berekening:<\/p>\n Praktijkvoorbeeld<\/strong>: Een farmaceutische fabriek die van 37% naar 60% OEE gaat, genereert een jaarlijks rendement van 14-16 miljoen USD<\/strong> (McKinsey, 250 dagen\/jaar, 16 uur\/dag, marge 40%).<\/p>\n De bevinding<\/strong>: de meeste fabrieken werken 20-30 punten onder World Class, vaak zonder het te beseffen.<\/p>\n Het probleem<\/strong>: deze onderbrekingen van een paar seconden (vastlopen, sensoren, aanpassingen) ontsnappen aan handmatig verzamelen. 50 microstops van 3 minuten = 2u30 verloren. <\/p>\n Impact in cijfers<\/strong>: DBR77 Robotics schat dat microstops verantwoordelijk zijn voor 15-20% van de verloren tijd<\/strong>. Symestic documenten: <\/p>\n Praktijkvoorbeeld Nutriset<\/strong>: De klant uit de voedingsmiddelenindustrie elimineerde deze 3-4 seconden “irritaties” die 50-100 keer per station voorkomen, wat resulteerde in een verbetering van 11% in OEE in 8 jaar<\/strong>.<\/p>\n Oplossing<\/strong>: IoT-sensoren die elke gebeurtenis vanaf de eerste seconde vastleggen, zonder menselijke tussenkomst.<\/p>\n Het probleem<\/strong>: door de historische gemiddelde snelheid te gebruiken in plaats van de nominale snelheid van de fabrikant worden de scores kunstmatig opgedreven.<\/p>\n Symestic voorbeeld<\/strong>: fabrikant specificeert 3 sec\/onderdeel, werkelijke tijd waargenomen 4 sec. Productie van 1000 onderdelen in 3300 seconden: <\/p>\n Correcte berekening (snelheid fabrikant)<\/strong>:<\/p>\n Onjuiste berekening (gemiddelde snelheid)<\/strong>:<\/p>\n Impact<\/strong>: Worximity waarschuwt dat deze fout kansen op verbetering verhult. Een correctie brengt een verbeterpotentieel van 5-25%<\/strong> aan het licht. <\/p>\n Het probleem<\/strong>: door herbewerkte onderdelen mee te tellen als “goed” in het kwaliteitspercentage wordt de index vertekend.<\/p>\n Symestic voorbeeld<\/strong>: Productie van 1.000 eenheden :<\/p>\n Verkeerde berekening<\/strong>: (900 + 80) \/ 1 000 = 98%<\/strong> Juiste berekening (First Pass Yield)<\/strong>: 900 \/ 1 000 = 90%<\/strong> Verschil<\/strong>: 8 punten<\/strong><\/p>\n Principe<\/strong>: Worximity stelt: “Alleen onderdelen zonder defecten van de eerste doorgang tellen mee. Inclusief herwerk maskeert problemen in het productieproces”.<\/p>\n Het probleem<\/strong>: Evocon identificeert de onjuiste indeling van stops als fout #1<\/strong>. Ongeplande stops worden “gepland” om de scores te verbeteren. Ongeplande stops worden “gepland” om de scores te verbeteren. <\/p>\n Stokjescultuur<\/strong>: TipTeh legt uit: “Wanneer gegevens als een disciplinaire stok worden gebruikt, classificeren teams stops verkeerd om problemen te maskeren.”<\/p>\n Klassieke verwarring<\/strong>:<\/p>\n Impact<\/strong>: Maskeert mogelijkheden voor verbetering en geeft een valse indruk van optimalisatie.<\/p>\n Het probleem<\/strong>: Scytec waarschuwt: “Handmatige gegevensinvoer leidt tot menselijke fouten”. Het klassieke “Hebt u uw blad ingevuld?” levert benaderende gegevens op. <\/p>\n 5 oorzaken van onnauwkeurigheid<\/strong>:<\/p>\n PSA Stellantis case study<\/strong>: Christophe Pasquet bevestigt de aanzienlijke hoeveelheid tijd die vrijkomt voor operators, die zich kunnen concentreren op de productie.<\/p>\n Het probleem<\/strong>: het mengen van minuten, seconden en uren levert absurde resultaten op.<\/p>\n Symestic voorbeeld<\/strong>: 390 min looptijd, 45 sec\/stuk, 500 stuks<\/p>\n Onjuist (gemengde eenheden)<\/strong>: (45 \u00d7 500) \/ 390 = 57,7 (absurd)<\/strong> Juist (seconden)<\/strong>: (45 \u00d7 500) \/ (390 \u00d7 60) = 96,2%.<\/strong><\/p>\n Aanbeveling<\/strong>: “Controleer ongebruikelijke resultaten op fouten in de eenheid” (Symestic).<\/p>\n Het probleem: Evocon beschouwt het gebrek aan standaardisatie als een kritieke fout #7. Zonder uniforme methodologie is het onmogelijk om locaties met elkaar te vergelijken. Zonder een uniforme methodologie is het onmogelijk om sites met elkaar te vergelijken. <\/p>\n 4 bronnen van inconsistentie<\/strong>:<\/p>\n Valkuil<\/strong>: Worximity waarschuwt voor ongepaste vergelijkingen (1 verandering\/dag vs. 4-5 veranderingen\/dag).<\/p>\n Casestudie Eolane<\/strong>: Vincent Perrault gebruikt een standaard tool voor meerdere locaties voor uniforme bewaking, met aanzienlijke kostenbesparingen.<\/p>\n IoT-sensoren leggen elke gebeurtenis in realtime vast. Elimineert fouten #1 (microstops) en #5 (onnauwkeurige gegevens). <\/p>\n Past automatisch de juiste formule, categorie\u00ebn en eenheden toe. Elimineert fouten #2, #3, #6, #7. <\/p>\n Stopt geclassificeerd volgens configureerbare regels, 24 uur per dag toegepast. Elimineert fout #4. <\/p>\n Gegevens omgezet in Pareto, trends, correlaties. Automatische analyse van hoofdoorzaken. Proactieve detectie van drift. <\/p>\n McKinsey inkomsten<\/strong>:<\/p>\n Gedocumenteerde gevallen<\/strong>:<\/p>\n Typische ROI<\/strong>: 6-18 maanden, afhankelijk van de grootte van de installatie.<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout” custom_margin=”29px|auto||auto||”][et_pb_column type=”4_4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout”][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” sticky_enabled=”0″]<\/p>\n [\/et_pb_text][et_pb_accordion _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” sticky_enabled=”0″][et_pb_accordion_item title=”Hoe bereken je OEE correct?” open=”on” _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” sticky_enabled=”0″]<\/p>\n OEE = Beschikbaarheid \u00d7 Prestatie \u00d7 Kwaliteit<\/strong><\/p>\n Beschikbaarheid<\/strong> = Werkelijke tijd \/ Geplande tijd Prestaties<\/strong> = Werkelijke hoeveelheid onderdelen \/ Theoretische (snelheid van de fabrikant) Kwaliteit<\/strong> = Goede onderdelen (Eerste doorgang) \/ Totaal geproduceerd<\/p>\n Voorbeeld<\/strong>: ploeg 8 uur (480 min), pauzes 30 min, stops 45 min<\/p>\n Beschikbaarheid = 405\/450 = 90%.<\/p>\n<\/li>\n Prestaties = 385\/405 stuks = 95%.<\/p>\n<\/li>\n Kwaliteit = 377\/385 = 98<\/p>\n<\/li>\n OEE = 83,8<\/strong><\/p>\n<\/li>\n<\/ul>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Waarom is mijn handmatige OEE beter dan de geautomatiseerde?” _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” open=”off” sticky_enabled=”0″]<\/p>\n Normaal! Geautomatiseerd is meestal 5-15 punten lager<\/strong> omdat het : <\/p>\n Microverliezen (15-20% verborgen verliezen)<\/p>\n<\/li>\n Werkelijke snelheden vs. gemiddelde snelheden (5-25% potentieel)<\/p>\n<\/li>\n Retoucheren uitgesloten (8 punten verschil)<\/p>\n<\/li>\n Correcte classificatie van oordelen<\/p>\n<\/li>\n Alle invoerfouten ge\u00eblimineerd<\/p>\n<\/li>\n<\/ul>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Wat maakt een goede EEO?” _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” open=”off” sticky_enabled=”0″]<\/p>\n Algemene normen<\/strong>:<\/p>\n < 60%: Onvoldoende (wereldgemiddelde 55-60%)<\/p>\n<\/li>\n 60-75%: Aanvaardbaar mkb<\/p>\n<\/li>\n 75-85%: Goed niveau<\/p>\n<\/li>\n > 85% : Wereldklasse<\/p>\n<\/li>\n<\/ul>\n Per sector<\/strong>:<\/p>\n Farma: 35-37% gemiddeld, 70% van wereldklasse<\/p>\n<\/li>\n Agrovoeding: 70-80% gemiddeld, 80-85% leiders<\/p>\n<\/li>\n Auto-industrie: 75% gemiddeld, 84-86% mager<\/p>\n<\/li>\n<\/ul>\n Belangrijke<\/strong> informatie: Slechts 6% haalt 85%+ (Evocon). Streven naar voortdurende verbetering: +5 punten\/jaar. <\/p>\n [\/et_pb_accordion_item][\/et_pb_accordion][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout”][et_pb_column type=”4_4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” theme_builder_area=”et_body_layout”][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”et_body_layout” sticky_enabled=”0″]<\/p>\n Slechts 6% van de fabrikanten haalt World Class<\/strong>, waarbij de meerderheid in werkelijkheid<\/strong> op 55-60%<\/strong> zit en denkt dat ze op 70-75% zitten. Dit verschil vertegenwoordigt honderdduizenden euro’s aan verborgen capaciteit tijdens de productieperiode. <\/p>\n Automatisering kost minder dan handmatig werk<\/strong>:<\/p>\n Gedocumenteerde snelle ROI<\/strong>:<\/p>\n Volgende stappen<\/strong>:<\/p>\n Gratis hulpmiddelen om actie te ondernemen<\/span><\/p>\nWaarom OEE-berekeningen essentieel zijn<\/h2>\n
\n
Benchmarks per sector<\/h3>\n
\n
De 7 fatale fouten bij handmatig rekenen<\/h2>\n
Fout #1 <\/span>– Onzichtbare microstops: 15-20% verlies van beschikbaarheid<\/h3>\n
\n
Fout #2<\/span> – Gemiddelde snelheden: 5-25% verborgen potentieel in het bedrijf<\/h3>\n
\n
\n
Fout #3<\/span> – Geteld retoucheren: 8 punten voor kwaliteitsverschil<\/h3>\n
\n
Fout #4<\/span> – Classificatie van stops: invloed op beschikbaarheid<\/h3>\n
\n
Fout #5<\/span> – Onnauwkeurige handmatige gegevens<\/h3>\n
\n
Fout #6<\/span> – Verwarring van tijdseenheden<\/h3>\n
Fout #7<\/span> – Gebrek aan standaardisatie op meerdere locaties<\/h3>\n
\n
Oplossing: De 4 pijlers van automatisering<\/h2>\n
1. Automatisch inzamelen<\/h3>\n
2. Gestandaardiseerde berekening<\/h3>\n
3. Intelligente categorisatie<\/h3>\n
4. Analyse van oorzaken en waarschuwingen<\/h3>\n
Gedocumenteerde ROI<\/h2>\n
\n
\n
FAQ – Veelgestelde vragen over OEE<\/b><\/h2>\n
\n
\n
\n
\n
Conclusie<\/h2>\n
Belangrijkste punten<\/h3>\n
\n
\n
\n