Produktivitet i procesindustrien Case fra Chr. Hansen Søren Strunge Nielsen 13.03.2013 Program Hvem er Chr. Hansen? Produktionsprocesserne Data-aggregering Anvendelse af data til produktivitetsforøgelse 2 1
Chr. Hansen in brief Chr. Hansen HQ Hørsholm, Denmark Founded in 1874 in Copenhagen by Danish pharmacist Christian D.A. Hansen Listed on NASDAQ OMX Copenhagen 2010/11 turnover EUR 636 million Organic growth ambitions of 8-10% annually Approx. 2,300 employees Chr. Hansen company presentation 3 Chr. Hansen globally Customers in approx. 140 countries Production facilities on five continents Subsidiaries and representative offices in over 30 countries Chr. Hansen company presentation 4 2
Cultures & Enzymes Division Our business Natural Colors Division Company presentation Health & Nutrition Division 5 Cultures & Enzymes Division We develop and produce cultures, enzymes and probiotics for the dairy industry in particular and for the food industry in general e.g. for wine and meat Our ingredients determine taste, appearance, nutritional value and health benefits We are the global market leader in dairy ingredients Actually every other cheese in the world contains our enzymes milk Chr. Hansen company presentation 6 3
3/14/2013 Natural Colors Division We develop and produce natural colors for the food industry We focus on natural colors in: Beverages Confectionery Ice cream Dairy and fruit preparations Our colors originate from natural sources like berries, roots and seeds natural green from grass We are global frontrunners in encapsulation and stabilization techniques Chr. Hansen company presentation 7 Health & Nutrition Division We develop and produce products for dietary supplements, pharmaceuticals, infant formula and animal feed Our key offering is probiotic cultures with documented effect For humans For animals We believe in strong research and documentation through clinical study program trials Chr. Hansen company presentation probiotic tablets 8 4
Culture Plant Copenhagen 9 Produktion af bakteriekulturer 10 5
Blanding og posepak 11 Kartonnering 12 6
Case Anvendelse af automatikdata fra blanding og posepak til produktivitetsforøgelse 13 Data-aggregering Procesafvikling og -dokumentation Performanceanalyse Supplerende manuelle registreringer Web Site Web Service InBatch Batch Journal ArchestrA Alarm&Eventlog InSql Trend/tidsserier 14 7
Hvorfor er data nødvendige for effektiv optimering? Alle har det samme objektive billede af performance Indsatsen kan rettes derhen, hvor der er størst effekt Effekten af forbedringsinitiativer kan evalueres objektivt Selv mindre effekter bliver synlige - nødvendigt for løbende forbedring af processer 15 Produktivitet Chr. Hansen har fokus på scalability når omsætningen vokser med 1 kr., må omkostningerne stige max. 50 øre I denne case handler det om at kunne producere mere uden at udvide produktionsanlægget eller bemandingen Overall Equipment Effectiveness (OEE) = Værdiskabende produktionstid/bemandet tid = Tilgængelighed x Hastighed x Kvalitet Værdiskabende produktionstid: Produceret antal/max. hastighed Tilgængelighed: Andel af bemandet tid, der bruges til produktion Hastighed: Relativt til max. hastighed Kvalitet: Andel af gode produkter 16 8
Optimering af tilgængelighed Reducere Omstillingstid og -frekvens Rengøringstid og -frekvens Nedbrud Planlagte stop, f.eks. til vedligehold 17 Data til optimering af tilgængelighed 18 9
Data til optimering af tilgængelighed - nedbrud 19 Data til optimering af tilgængelighed Golden Batch 20 10
Data til optimering af hastighed og kvalitet 21 Data til optimering af hastighed og kvalitet 22 11
Hvordan anvendes data? Daglig produktionsopfølgning (supervisor) Opfølgning på produktionsmål Identifikation af forbedringsmuligheder Ny golden batch Teknik/automatik-fejl Behov for standardisering/træning 23 Hvordan anvendes data? Målstyring Deltagelse fra produktionen, vedligehold og logistik alle har andel i produktiviteten Systematisk opfølgning ved utilfredsstillende performance Årsagsanalyser Korrigerende aktioner 24 12
Hvordan anvendes data? Systematisk arbejde med løbende forbedringer (Kaizen) Ud fra performance data prioriteres i perioder et specifikt indsatsområde 25 Hvordan anvendes data? Problemløsnings/optimerings-team Deltagelse fra produktionen, vedligehold og engineering Ejer de teknisk komplekse/omfattende aktioner fra målstyring og Kaizen Identificerer og prioriterer tekniske indsatsområder baseret på performance data Gennemfører årsagsanalyser Diskuterer og beslutter tekniske løsninger Følger op på effekten af løsningerne 26 13
Resultater Fordobling af OEE Kortere omstillingstid Kortere rengøringstid Reduktion af uplanlagte stop Højere hastighed Reduktion af poser med for høj/lav vægt - mindre scrap 27 Udfordringer ved implementeringen Hvad siger folk til at blive målt på? Det er forskelligt god og dårlig performance bliver eksponeret. Brug ikke data til at jage low performers. Identificer og standardiser de mest effektive arbejdsgange og start med uambitiøse tidsmål. Det handler om at opbygge et stabilt bundniveau Data ansporer til konkurrence mellem holdene Nu da performance ikke er til diskussion, tales der mere om årsager understøtter problemløsning 28 14
Udfordringer ved implementeringen Hvordan sikres pålidelige manuelle kvitteringer? Erfaringsmæssigt bliver manuelle registreringer mangelfulde - der er mindst tid til at registrere, når der er noget at registrere Det skal være nemt operatørerne skal have fokus på produktionsprocessen Overflødige kvitteringer skal fjernes, så de værdifulde tages alvorligt Der må ikke herske tvivl om, at data anvendes Forvent en indkøringsperiode selv en simpel tekst kan forstås på flere måder 29 15