מעקב אחר מדדי KPI בסימולציית ייצור: השוואה הוגנת בין תרחישים

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-12

מעקב אחר מדדי KPI בסימולציית ייצור מתחיל בכמה מדדים מוגדרים כפי שהמפעל שלכם מגדיר אותם. למדו כיצד להריץ תרחישים, לקרוא את התוצאות ולדווח עליהן.

Automatically translated with AI from the original post. Read the English original

מעקב אחר מדדי KPI בסימולציית ייצור פירושו לבחור קבוצה קטנה של מדדי ביצוע לפני בניית המודל, לחשב אותם במודל בדיוק כפי שהמפעל מחשב אותם, ולהשוות תרחישים על בסיס המספרים האלה. אם ההגדרות במודל ובמפעל שונות, אי אפשר לסמוך על התוצאות, גם אם לוח המחוונים נראה מרשים. מאמר זה מיועד למנהלי מפעלים ולמהנדסי תהליכים שמריצים מחקרי סימולציה, או שצריכים לקרוא את התוצאות ולקבל החלטות על בסיסן.

עיקרי הדברים

• מעקב אחר מדדי KPI בסימולציה פירושו בחירת כמה מדדים לפני בניית המודל, וחישובם בדיוק כפי שהמפעל מחשב אותם.
• ISO 22400-2 מדגים את המשמעת הנדרשת: כל מדד KPI מתואר לפי הנוסחה שלו, הרכיבים שלו, אופן התנהגותו לאורך זמן ויחידת המידה שלו.
• הרצת סימולציה בודדת היא מדגם אחד, ולכן השתמשו בכמה הרצות חוזרות ודווחו על ממוצע יחד עם רווח סמך.
• שנו דבר אחד בלבד בכל תרחיש, השוו תרחישים על בסיס אותן הגדרות של מדדי KPI, ובדקו תחילה את קו הבסיס מול תקופה אמיתית מהעבר.
• תוצאות סימולציה אינן נתונים חיים, ולכן יש לרענן כל לוח מחוונים המבוסס עליהן לאחר כל קבוצת הרצות, ולסמן אותו לפי תרחיש.

מהו מעקב אחר מדדי KPI בסימולציית ייצור?

מודל סימולציה מפיק הרבה פלט גולמי: כל חלק, כל המתנה, וכל מצב של מכונה לאורך הזמן המדומה. מעקב אחר מדדי KPI הופך את הפלט הזה לכמה מספרים שאנשים יכולים להשוות ביניהם. בעוד סימולציית מפעל עונה על השאלה "מה יקרה אם נשנה את זה?", מדדי ה-KPI אומרים בכמה, במונחים שהמפעל כבר משתמש בהם.

יש שתי דרכים שבהן זה משתבש. בראשונה, הצוות מודד את מה שקל לשלוף מתוכנת המודל, ומקבל נתונים שאיש במפעל לא מזהה. בשנייה, הצוות מעתיק רשימת KPI ארוכה מתבנית של לוח מחוונים, והמחקר טובע במספרים שאינם קשורים להחלטה.

הפתרון זהה בשני המקרים. התחילו מההחלטה, למשל "האם להוסיף משמרת שנייה בקו ההרכבה או לקנות מכונה שנייה?", ושאלו אילו מספרים יגרמו לכם לבחור באפשרות אחת על פני האחרת. אלה מדדי ה-KPI שלכם.

אילו מדדי KPI שייכים למחקר סימולציה?

שמרו על רשימה קצרה. חמישה עד שבעה מספיקים. אלה בחירות נפוצות, ואילו מהן חשובות תלוי בשאלה שלכם:

1. תפוקה. כמות יחידות טובות שיוצאות לשעה, למשמרת או לשבוע.
2. זמן אספקה. כמה זמן לוקחת הזמנה או חלק מרגע השחרור ועד השלמתם.
3. עבודה בתהליך (WIP). כמה עבודה נמצאת במערכת ברגע נתון. לעיתים קרובות היא נעה יחד עם זמן האספקה.
4. ניצול משאבים. איזה חלק מהזמן הזמין עסוקים בו המכונות והאנשים. התמקדו בצוואר הבקבוק ובמשאב שליד אותו צוואר.
5. זמן המתנה ואורך תור לפני צוואר הבקבוק.
6. אספקה בזמן, אם המודל כולל תאריכי יעד.
7. OEE, אם אובדן ציוד הוא המגבלה.

לגבי OEE, היו ספציפיים. מכון Lean Enterprise מתאר יעילות ציוד כוללת כמדד של תחזוקה productive כוללת (TPM) שמכפיל את שיעורי הזמינות, הביצועים והאיכות, ומציין שבדרך כלל מכוונים לשישה ההפסדים הגדולים: תקלות, התאמות, עצירות קטנות, מהירות מופחתת, פסולת ועבודה חוזרת. ב-OEE יש טעם בסימולציה רק אם המודל כולל את ההפסדים האלה, כמו התנהגות תקלות, החלפות קו ושיעורי פסולת. אם לא, נתון OEE שמגיע מהמודל הוא ניחוש עם נקודה עשרונית. בקו מעורב מוצרים עם החלפה ארוכה, OEE עלול גם להסתיר את מה שמניע עלות ואספקה, ולכן יש להשלים אותו בזמן אספקה (lead time) או באספקה בזמן.

הימנעו מ-KPI שהמודל לא יכול להשפיע עליו. אם התרחישים שלכם משנים את דפוס המשמרות, אין מקום בחקר לציון שביעות רצון לקוחות.

איך מגדירים KPI כך שהמודל והמפעל יסכימו?

כתבו דף KPI בן עמוד אחד לפני הריצה הראשונה. לכל KPI, ציינו:

• את השם ואת השאלה שהוא עונה עליה,
• את הנוסחה ואת רכיביה,
• את בסיס הזמן, למשל לכל משמרת, לכל שבוע קלנדרי או לכל שעת ייצור מתוכננת,
• את היחידה,
• מהיכן מגיע הערך האמיתי במפעל,
• מי הבעלים של ההגדרה.

זה המשמעת שתקני התחום פועלים לפיה. דף ISO עבור ISO 22400-2, שמגדיר מדדי ביצוע מפתח לניהול פעילות ייצור, קובע שכל KPI מתואר לפי הנוסחה ורכיביה, התנהגותו לאורך זמן, היחידה או הממד שלו, קבוצת המשתמשים שלו והמתודולוגיה הייצורית שאליה הוא שייך. הדף שקראתי מתאר את הטיוטה של המהדורה השנייה, שתחליף את גרסת 2014, ולכן בדקו את המהדורה העדכנית אם אתם מתכננים לצטט את התקן. אינכם חייבים לאמץ את התקן כדי להפיק תועלת מההרגל שלו: הגדרה מדויקת אחת לכל KPI.

רוב אי-ההסכמות נובעות מזמן. "זמינות" משתנה בהתאם לתשובה לשאלה "זמינות מתוך מה?". התיאור של LEI ל-OEE מודד השבתה כתוצאה מתקלות והחלפות ביחס לזמן מתוכנן, ולכן זמן מתוכנן חייב להיות מוגדר בבירור בדף שלכם. האם הוא כולל תחזוקה מתוכננת? הפסקות? משמרת שהלוח השנה מסמן כחופשה? הכריעו בנושא לפני בניית המודל, כי הוא משנה כל תוצאה.

לאחר מכן בצעו את הבדיקה שמעניקה לדף את ערכו: חשבו את אותם KPI מתקופה אמיתית שחלפה, באמצעות נתוני המפעל, והשוו אותם למה שהמודל מפיק כשמזינים לו את אותה תקופה.

איך מריצים תרחישים וקוראים את התוצאות?

ריצת סימולציה היא דגימה אקראית. תקלות, זמני הגעה וזמני עיבוד משתנים, ולכן שתי ריצות של אותו תרחיש נותנות שתי תשובות שונות. התייחסו לריצה בודדת כאל אנקדוטה.

1. אמתו את קו הבסיס. הריצו את המודל על תקופה שאתם מכירים, והשוו את ה-KPI למציאות. אם המודל אינו מסוגל לשחזר את העבר בטווח שאתם מוכנים לקבל, תקנו את המודל לפני שתבדקו כל שינוי.
2. השתמשו בחזרות (replications). הריצו כל תרחיש מספר פעמים עם זרמים אקראיים בלתי תלויים. הרצאה של MIT על תכנון ניסויי סימולציה מתארת קביעת מספר החזרות לפי יעד דיוק: ממשיכים עד שמרווח הסמך צר מספיק ביחס להערכה. היא מציינת גם שבפחות מ-30 חזרות משתמשים בהתפלגות Student-t לחישוב המרווח.
3. טפלו בתקופת החימום (warm-up). במפעל שפועל ברציפות, המודל מתחיל ריק ונדרש לו זמן להגיע לפעילות רגילה. אותה הרצאה מתארת השלכה של החלק הראשון של כל חזרה, ומזכירה את שיטת Welch לבחירת כמות הנתונים להשלכה. אם השאלה שלכם נוגעת לתקופה מוגדרת, כמו אצווה הזמנות אחת, התחילו את המודל במצב שבו נמצא המפעל באותו זמן.
4. שנו דבר אחד בכל תרחיש. אם תרחיש B מוסיף מכונה ומשנה גם את דפוס המשמרות וגם את גודל האצווה, לא תדעו איזה שינוי גרם לאיזו תוצאה.
5. דווחו על טווחים. "התפוקה עולה בין 4% ל-9%" כנה יותר מ"התפוקה עולה ב-6.5%". אם מרווחי הביטחון של שני תרחישים חופפים במידה רבה, ציינו שהנתונים אינם מאפשרים להבדיל ביניהם.
6. הסתכלו על הזרם כולו. שיפור במכונה אחת עלול להעביר את צוואר הבקבוק למקום אחר. בדקו ניצולת ותורים לאורך הזרימה, ולא רק בתחנה שבה שיניתם משהו.

שמרו רישום תרחישים: רשימה הכוללת את שם התרחיש, מה השתנה, ההנחות, מספר ההרצות החוזרות והתאריך. בלעדיו, אף אחד לא יזכור בעוד שישה חודשים מדוע נבחר תרחיש 7.

איך מציגים מדדי ביצוע (KPI) של הסימולציה למנהלים?

מנהלים צריכים השוואה, לא את הפלט הגולמי. דף פשוט עובד היטב: הבסיס וכל תרחיש זה לצד זה, לאותם כמה מדדים, עם הטווח, והערה על מה שכל תרחיש משנה.

בסביבת Microsoft, דרך נפוצה היא טבלת תוצאות שנטענת ל-Power BI. כל שורה כוללת את התרחיש, את ההרצה החוזרת, את שם המדד ואת הערך, מה שמאפשר לבנות את ההשוואה ולסנן לפי תרחיש. התיעוד של Microsoft על רענון נתונים מסביר שנתונים מיובאים במודל סמנטי הם עותק בנקודת זמן, ולכן יש לרענן כדי לראות נתונים חדשים. בתוצאות סימולציה זה מתאים היטב: מרעננים אחרי סדרת הרצות, ולא לפניה.

מכאן נובעות שתי נקודות מעשיות:

• סמנו כל ויזואל כתוצאת תרחיש, עם תאריך ההרצה האחרונה. מספרי תחזית שמופיעים לצד נתונים חיים של המפעל מזמינים קריאה שגויה.
• הציגו תכנון מול ביצוע מאוחר יותר, כשהשינוי כבר במקומו, באמצעות אותן הגדרות מדדים. שם דף ה-KPI מחזיר את ההשקעה.

אם אתם רוצים תצוגה חיה של המפעל לצד המודל, זו עבודה נפרדת עם זרם נתונים משלה. התייחסו אליה כשלב הבא, לאחר שמדדי הסימולציה נתפסים כאמינים.

איך שומרים על המודל אמין לאורך זמן?

מודל שנכון במרץ עלול להיות שגוי בספטמבר, כי התהליך השתנה.

• כיילו מחדש. השוו מדדי המודל למדדים בפועל כל רבעון, או אחרי כל שינוי מהותי, והתאימו את הקלטים אם יש סטייה.
• שייכו בעלות על הקלטים. זמני מחזור, זמני הכנה, התנהגות כשלים ולוחות משמרות צריכים בעל בשם שמעדכן אותם. התייחסו לנתוני הסימולציה כמוצר בעל מתחזק.
• הביאו בחשבון את האנשים היכן שזה חשוב. מפעילים משנים תוצאות דרך היעדרויות, מיומנות ושונות בקצב העבודה. אין צורך למדל עייפות כדי לראות זאת: שימוש בשונות ריאליסטית בזמני מחזור ובאיוש בפועל בכל משמרת מביא אתכם רחוק. שאלו את מובילי המשמרות אם ההנחות של המודל נראות נכונות.
• בחנו מחדש את היעדים. אל תעבירו מדד ייחוס ממפעל אחר למודל שלכם בלי לבדוק אם הוא מתאים לתמהיל המוצרים שלכם. התחילו מהבסיס שלכם.

טעויות נפוצות

• התחלה מהדאשבורד. קבעו קודם את מדדי ה-KPI ואת השאלה.
• יותר מדי מדדי KPI. דף עם עשרים מספרים לא ייקרא.
• הגדרות שונות במודל ובמפעל. אז אי אפשר לבצע השוואה.
• הרצה אחת לכל תרחיש. האקראיות תחליט את המסקנה במקומכם.
• דילוג על בדיקת הבסיס. אם המודל לא מסוגל לשחזר את העבר, לתחזיות שלו אין בסיס.
• שינוי כמה דברים בכל תרחיש. לא תלמדו דבר על הסיבה.
• הצגת תחזיות כנתונים חיים. סמנו בבירור את תוצאות התרחישים.
• אין בעלים לקלטי המודל. קלטים ישנים מייצרים תשובות שגויות בביטחון מלא.

היכן Polaris משתלב

למחקר מסוג זה, iFAKT Polaris מציעה שני מודולים לבחינה. iFAKT מתארת את Polaris Simulator ככלי שבוחן את מערכת הייצור באופן וירטואלי לפני החלטות אמיתיות, עם תרחישי קיבולת, איוש ומאגרים, ומציג צווארי בקבוק וחוסר איזון בניצולת לאורך זמן. ה-Polaris Analyzer מספק דאשבורדים של מדדי KPI על פני המודולים ומשווה ערכים מתוכננים ובפועל. כמו בכל כלי, בדקו שהגדרות ה-KPI שבו תואמות לשלכם, ונסו קודם על קו ייצור אחד.

נושאים קשורים לחקירה

• היררכיות של מדדי KPI. איך ערכים של קו, משמרת, מחלקה ומפעל מתגלגלים כלפי מעלה בלי לחשב מחדש בכל רמה.
• מקורות הנתונים למודל. אילו נתונים מ-ERP, ממכונות ומהזנה ידנית מזינים את המודל, ואיך לבדוק את איכותם.
• נרמול בין מפעלים. איך להשוות אתרים עם רמות אוטומציה שונות בלי להעניש מפעלים עם תמהיל מוצרים מגוון.
• שונות כוח אדם במודלים. אילו השפעות של מפעילים ומשמרות כדאי למדל, ואילו מוסיפות מורכבות בלי תועלת.
• מהתוכנית למציאות. איך להשוות את התרחיש שנבחר מול מדדי KPI אמיתיים אחרי שהשינוי עולה לאוויר.

הצעד הבא

מעקב אחר מדדי KPI של סימולציה במפעל משתלם כשהמודל והמפעל מדברים באותם מספרים. קחו את שאלת הסימולציה הבאה שלכם, כתבו דף מדדים אחד הכולל נוסחה, בסיס זמן ויחידה, ובדקו אותו מול תקופה אמיתית שחלפה לפני שמריצים את התרחיש הראשון.