In een eerder artikel, „Productiviteit of Kosu: sneller of in minder tijd?”, heb ik kosu geïntroduceerd als een eerlijkere manier om over arbeidsproductiviteit te spreken. Het kernidee was eenvoudig: in plaats van het aantal stuks per persoon per uur te tellen, meet Kosu hoeveel directe arbeidstijd je daadwerkelijk per eenheid product verbruikt. Dat eerdere artikel
Machine-intensieve productieomgevingen en jobshops zijn vaak lastig te beheersen. De klantvraag verandert voortdurend, de beschikbare capaciteit is beperkt, technische beperkingen spelen een belangrijke rol en het plannen van de productie blijft een voortdurende balans tussen vraag en beschikbare middelen. In de praktijk blijkt het realiseren van een stabiele flow daardoor een grote uitdaging en lijkt
Van assemblagelijnen wordt verwacht dat ze veranderingen in de vraag soepel opvangen. Dat doen ze zelden. Als de vraag toeneemt, voelen operators dat als eerste. Ze worstelen om klaar te zijn binnen de takt en het volgende station ervaart leegloop, of ze bewegen met het product mee om het werk af te ronden. Overuren worden
Als u leiding geeft aan een assemblagelijn waarop meerdere modellen worden geassembleerd, hebt u waarschijnlijk wel eens de vragen gesteld die opkomen als de lijn begint te haperen, de takt niet wordt gehaald en wanneer de strakke precisie van het de lijnbalanceringsgrafiek mijlenver af lijkt te staan van de realiteit op de werkvloer. De instinctieve
Veel van de problemen die op de werkvloer zichtbaar worden, zijn in feite symptomen van onderliggende tekortkomingen in de lay-out, de materiaalstroom of het oorspronkelijke lijnontwerp. Wanneer deze basis niet langer aansluit op de vraag, worden operators gedwongen om tekortkomingen in het systeem te compenseren, in plaats van ondersteund te worden door een stabiel en
AI duikt steeds vaker op in discussies over het ontwerpen van assemblagelijnen. De afgelopen maanden circuleerden er verschillende voorbeelden op LinkedIn die laten zien hoe snel een AI-model een kleine applicatie kan genereren die een PERT-netwerk tekent, een taakverdeling voorstelt of zelfs een Monte-Carlo simulatie uitvoert. Deze voorbeelden worden vaak gepresenteerd als bewijs dat line
In mijn eerdere artikel over constraint-aware lijnbalancering onderzocht ik hoe assemblagelijnen in de praktijk zelden reageren als de keurige lijnbalansgrafieken en yamazumi’s die we tijdens het ontwerp maken. Taakafhankelijkheden, interferentie tussen operators, ruimtelijke beperkingen — ze bemoeilijken allemaal het balanceringsproces. Maar zelfs wanneer de balans op papier goed lijkt, komt er nog een extra laag
Lijnbalancering wordt vaak beschreven als de theorie, en de relatief eenvoudige handeling, van het min of meer gelijkmatig verdelen van werk over operators en stations. Dit Lean-principe creëert doorstroming, beperkt overproductie, vermindert onderhanden werk en creëert een evenredige werklast voor alle operators – zonder de takttijd te overschrijden. De meeste introducties van lijnbalancering beginnen daarom
De uitspraak van Joel Barker – “Actie zonder visie is slechts tijdverspilling” – laat me altijd even stilstaan bij de projecten die ik ondersteun. Nelson Mandela haalde hem vaak aan, en in al de jaren dat ik met organisaties werk aan strategie en de implementatie van Lean, heb ik precies gezien waarom deze uitspraak zo
Als ik in jobshop-achtige omgevingen of machine-afdelingen werk, verbaast het mij telkens opnieuw hoe weinig flow-gerelateerde indicatoren eigenlijk zichtbaar zijn. Je ziet meestal gegevens over OEE-gerelateerde indicatoren zoals afkeurpercentages, uptime, prestaties (meestal onder de noemer efficiëntie) en misschien iets over het werkelijke versus het geplande volume of het realiseren van de planning. Maar flow? Ja,
