למה שיפור מתמיד זקוק לנתונים טובים יותר

שיפור מתמשך אמור ליצור למידה שמצטברת לאורך זמן. עם זאת, בהרבה מפעלים עבודת השיפור עדיין תלויה במידה רבה בסדנאות, בגיליונות אלקטרוניים, בדוחות מבודדים ובמה שאנשים זוכרים מהמשמרת הקודמת. אירוע Kaizen יכול ליצור התקדמות נראית לעין, אך כמה שבועות מאוחר יותר אותו פסד מופיע שוב לעיתים קרובות בתנאי ייצור שונים מעט. הבעיה אינה תמיד באיכות רעיון השיפור. הבעיה הגדולה יותר היא שצוותים לרוב לא יכולים להוכיח אם הפעולה המתקנת אכן עבדה, היכן עבדה, ותחת אילו תנאים היא הפסיקה לעבוד.

מדוע שיפורי Kaizen נעלמים לעיתים קרובות
סדנה יוצרת מיקוד לכמה ימים. הצוותים ממפים את התהליך, מזהים בזבוז, מקצים פעולות, מזיזים כלים, משנים רשימות בדיקה או מתאימים מסירות בין שלבים. לאחר מכן לחץ הייצור השוטף חוזר. הסופרוויזר מקבל הזמנה דחופה נוספת, התחזוקה מטפלת בתקלה נוספת, התכנון משנה את הרצף, והבקרה האיכותית מעכבת עוד אצווה. פעולת השיפור נשארת איפשהו בקובץ Excel או במעקב פרויקטים, במקום להפוך לחלק מהקצב התפעולי. לכן השאלה החשובה אינה האם הפעולה הושלמה, אלא האם מצב הייצור באמת השתפר.

PDCA דורש שלב בדיקה אמיתי
Plan, Do, Check, Act נשמע פשוט, אך ארגונים רבים מפעילים למעשה Plan, Do ואז Move On. שלב ה-PLAN צריך להגדיר בעיה ניתנת לבדיקה, את המצב הנוכחי, את השיפור הצפוי ואת ההשערה שמאחורי הפעולה המתקנת. שלב ה-DO פירושו בדיקת הפעולה המתקנת בתנאי ייצור אמיתיים תוך תיעוד מספיק של ההקשר כדי להבין מה באמת קרה. שלב ה-CHECK פירושו השוואה בין התוצאה הצפויה לבין הראיות מהייצור בפועל. שלב ה-ACT פירושו להטמיע את השינוי כאשר הראיות תומכות בו, או להתאים, לצמצם או לבטל אותו כאשר הן אינן תומכות.
• האם ההפסד אכן ירד?
• האם הבעיה פשוט עברה למקום אחר?
• האם השינוי שיפר זמינות אך פגע באיכות?
• האם הוא עבד על פני מוצרים, צוותים ומשמרות שונים?
• האם תחזוקה, חומרים, תזמון או שינוי אחר בתהליך השפיעו על התוצאה?
הרצה מוצלחת אחת של הייצור אינה הוכחה. שיפור מתמשך זקוק למספיק ראיות כדי להבחין בין שיפור הניתן לחזרה לבין משמרת שהצליחה במקרה.

Gemba ונתונים זקוקים זה לזה
נתונים אינם מחליפים את ה-Gemba. מפעילים, סופרוויזרים, טכנאים, מתכננים וצוותי איכות מבינים תנאי ייצור שמערכות לרוב אינן יכולות ללכוד. רישום של מכונה עשוי להראות עצירה של עשר דקות, בעוד שמפעיל יודע שהעצירה התרחשה משום שרכיב נראה לא תקין, מסלול חומרים רגיל נחסם, או שהמשמרת הקודמת השאירה את התחנה במצב חריג. במקביל, תצפית לבדה מראה רק משמרת אחת, אירוע אחד או גרסה אחת של הבעיה. נתונים תפעוליים מקושרים מאפשרים לבדוק האם התצפית חוזרת על עצמה בין הזמנות, מוצרים, מכונות, משמרות, אצוות חומר ותקופות ארוכות יותר.

ה-Gemba עוזר לצוותים לזהות לאן להסתכל ואילו שאלות חשובות. נתונים תפעוליים עוזרים לבדוק את השאלות הללו על פני דפוס הייצור האמיתי. לאחר מכן סטנדרט עבודה נושא את הלמידה קדימה, כך שהמשמרת הבאה לא מתחילה מאפס.

התחילו משאלת השיפור
אחת הטעויות הגדולות ביותר באנליטיקה ייצורית היא להתחיל מהנתונים שפשוט זמינים. קו ייצור מודרני יכול להפיק כמויות עצומות של מידע מ-PLC, חיישנים, מערכות MES, ERP, מערכות איכות, יישומי תחזוקה וגיליונות אלקטרוניים. יותר נתונים אינם יוצרים אוטומטית החלטות טובות יותר. תהליך שיפור שימושי מתחיל משאלת הייצור שהצוות באמת צריך לענות עליה.

במקום לשאול "אילו נתונים יש לנו?", שאלו "על איזו שאלה ייצורית אנחנו מנסים לענות?". משפט כמו "החלפות קו לוקחות יותר מדי זמן" עדיין רחב מדי. שאלה טובה יותר תהיה: מדוע זמן ההחלפה משתנה באופן משמעותי עבור אותה משפחת מוצרים באותו קו ייצור? שאלה כזו מגדירה מיד את ההקשר שחשוב.
• המוצר הקודם
• המוצר הבא
• הזמנת הייצור
• המשאב או הקו
• תצורת הכלים
• החומר
• המשמרת או הצוות
• תחילת ההחלפה
• זמן ההפעלה מחדש
• היחידה המקובלת הראשונה
• ייצור יציב
• תוצאות איכות
• אזעקות מכונה
המטרה אינה לאסוף הכול. המטרה היא לאסוף את קבוצת העובדות הקטנה ביותר שיכולה לשנות את החלטת השיפור.

ERP מסביר את התוכנית
ERP מספק את ההקשר המסחרי והתכנוני סביב הייצור. הוא יכול להראות כמויות מתוכננות, ניתוב, התחייבויות ללקוחות, דרישות חומרים, עדיפות הזמנות ורצף הייצור המתוכנן. הקשר זה חשוב משום שתנאי הייצור משתנים כל הזמן. פעולה מתקנת עשויה באמת לצמצם זמן החלפה, בעוד שביצועי אספקה ממשיכים להידרדר משום שתמהיל הייצור השתנה או משום שהמתכננים הכניסו מעברי מוצר תכופים יותר.
לכן ERP עוזר להסביר מה אמור היה לרוץ, באיזה רצף, עבור איזה ביקוש, עם איזה ניתוב וחומרים. אך ERP מתאר בעיקר כוונה. הוא אינו בהכרח מתאר מה באמת קרה פיזית על רצפת הייצור.

MES מסביר מה באמת רץ
מערכת ניהול הייצור (MES) ממלאת חלק מהפער הזה. MES יכול לספק את היסטוריית הביצוע מאחורי הזמנה, כולל תחילת וסיום פעולה בפועל, כמות שיוצרה, פסולת, עיכובים, עבודה חוזרת, משאבים, פעולות מפעיל, צריכת חומרים, מעקב אחר מקור וקודי סיבה. כך צוותי השיפור יכולים לקשר הפסדים להזמנות ולפעולות אמיתיות, במקום להסתמך על זיכרון או על ממוצעים יומיים.

נתוני MES עדיין דורשים פרשנות. ייתכן שעסקאות יוזנו באיחור, צוותים שונים ישתמשו בקודי סיבה באופן שונה, וחותמת זמן עשויה לייצג את הרגע שבו מפעיל אישר פעולה ולא את הרגע המדויק שבו היא התרחשה. המערכת מספקת ראיה, אך התהליך הוא שנותן לה משמעות.

נתוני מכונה ו-IoT מסבירים את התהליך הפיזי
כאשר הצוותים צריכים להבין מה קרה בתוך הפעולה, נתוני מכונה הופכים לחשובים. אותות PLC ו-IoT יכולים לחשוף מצבי מכונה, זמני מחזור, אזעקות, מהירות, טמפרטורה, לחץ, נעילות (interlocks), עומס מנוע, התנהגות בהפעלה מחדש וזמן עד לייצור יציב. MES עשוי להראות שפעולה הופעלה מחדש בזמן מסוים, בעוד שנתוני המכונה מסבירים מה קרה בדקות שלפני שהייצור היציב חזר.
• אזעקות חוזרות
• מהירות מופחתת לאחר הפעלה מחדש
• התאוששות טמפרטורה
• התאמות ידניות
• נעילות
• זמני מחזור לא יציבים
גם נתוני מכונה ללא הקשר ייצורי עלולים להטעות. אזעקה נעשית שימושית הרבה יותר כאשר ניתן לקשר אותה להזמנת העבודה, המוצר, הפעולה, המשאב, מצב הכלי, החומר ותוצאת האיכות שסביב האירוע.

רצפת הייצור מוסיפה משמעות
מפעילים, טכנאי תחזוקה, סופרוויזרים וצוותי איכות ממלאים את הפערים שמערכות אוטומטיות אינן יכולות למלא. קוד סיבה כמו "בעיית חומר" עשוי לתאר מצבים שונים מאוד בפועל. החומר אולי הגיע באיחור, התנהג אחרת, נשא תווית שגויה, נפגע, או יצר בעיה במורד התהליך שנחשפה רק מאוחר יותר.
קודים מובנים עוזרים לסווג אירועים. הקשר אנושי עוזר להסביר אותם. לכן איסוף נתונים צריך להתאים למציאות הייצור ולא להפריע לה. השאלה השימושית אינה כמה מידע מפעיל יכול להזין, אלא מהו הקלט האנושי הקטן ביותר שיהפוך את החלטת השיפור הבאה לטובה יותר.

אתם זקוקים לשפה משותפת במפעל
ERP, MES, מערכות תחזוקה, היסטוריאנים וגיליונות אלקטרוניים יכולים כולם לתאר את אותו אירוע ייצורי בצורה שונה. מערכת אחת עשויה לכנות משאב "Line 3", אחרת תשתמש ב-"LINE03", התחזוקה עשויה לעקוב אחר כמה נכסים נפרדים בתוך הקו, והיסטוריאן עדיין עשוי להשתמש בתג PLC ישן. Microsoft 365 ו-Power BI יכולים לעזור בחיבור מקורות אלה, אך ההגדרות המשותפות חייבות להיקבע על ידי האנשים שמנהלים את הייצור.