iv
Summary (English)
Lely is a manufacturer of products aimed at the agricultural sector, such as automated milking robots and forage harvesting machines. About 10% of the total revenue (€567 million in 2012) comes from forage harvesting machines, of which the majority is assembled in a factory in Maassluis, where this research has been conducted. Forage harvesting machines are meant for working grasslands. Because grass grows in the spring, peak demand occurs in the spring. Furthermore, short lead times towards the customer (independent worldwide dealers) are necessary because of the short time window which is optimal for working the grass.
Assembly is divided over several assembly lines, the assembly lines have a capacity ranging from 5 to 50 machines per week. A relatively large number of parts has a lead time longer than three weeks. Because short lead times are required, machines are assembled based on a forecast. Consequently, Lely assembles to stock based on a forecast, this forecast is updated every month and states the expected number of sales per product group per month (there are 29 products groups and over 100 different machines). Historical data is used to determine the expected sales per machine per month. Based on the forecast, a production plan is made, which states the required number of machines to be assembled per week. Procurement is based on this production plan.
Two problems are apparent. First, the on-time delivery (realized production/planned
production per week) is considered too low (on average 85%). About 30% of the productions problems can be contributed to shortages: a part is not in the assembly line when it should have been. There are multiple reasons for shortages, but at least 70% of the shortages occurs when the ERP-system indicated parts were available while in practice, they were not. Based on cycle counting, the inventory record accuracy was found to be <50%, which leads to a great risk of shortages.
Second, the inventory of parts is considered too high. In 2013, there was on average 11 weeks of inventory even though the average throughput time is three weeks. A reason for the high inventory is frequent changing of the planning, due to an on-time delivery <100% or because the demand is different than was forecasted. The demand may be different because within a product group the actual mix may be different than the forecasted mix, since this is based on historical data. A high inventory also increases the risk of shortages, because a lack of storage space (which can also be seen as a surplus of inventory) leads to a relatively low inventory record accuracy, because multiple SKUs are stored in the same location. Research has shown that such parts and locations have a higher prevalence of shortags.
Consequently, the system is eligible for improvement in three ways. First, the system should have a feasible goal. Considering the on-time delivery is always below 100%, the current goal is not feasible. Second, the system needs to be able to deal with demand uncertainty effectively, meaning intervening should be performed based on goals and procedures rather than arbitrary decisions, as is the current situation. Third, transportation of parts that are currently on kitting carts account for 23% of the shortages, usage of line side Kanban storage could improve this.
v
In order to have a feasible goal, production planning should be performed by distinguishing planning and scheduling. Planning should be based on historical data to ensure a feasible goal, scheduling should be based on factual data. To implement such a change, two KPI’s are required: the effectiveness (production progress compared with production plan) and efficiency (production progress compared with production schedule). A model has been used to calculate the potential cost savings of planning based on historical data, which was found to be €1.0 million, if such a planning method were to be introduced.
To be able to deal with demand uncertainty in an effective manner, a hybrid lean-agile strategy can be used. For 20% of the SKUs, a lean approach could be used. For those SKUs, the production plan should be based on long term forecasts in order to have a stable production and be cost-effective. When demand for such machines is low, inventory builds up. For the remainder, an agile strategy can be used. Because manual forecasting is performed on a group level based on historical data, the actual demanded SKU mix may be different, even if the forecast on a group level was entirely accurate. Consequently, safety stock for machines needs to be held to be more agile. This reduces the need for changing the planning, which results in lower inventory of parts.
The safety stock level can be determined by three parameters: the desired minimum fill rate (service level L), the time period in which the planning is kept fixed (frozen period F) and the planning cycle length which indicates the batch size (R). A simulation has been performed in order to determine the safety stock level for each machine as a function of those parameters. The results show that without safety stock, the fill rate is 60%. For current feasible
parameters (F=8, R=4) the average inventory value would be €3.0, €4.0 and €5.8 million respectively for L=.90, L=.95 and L=.99, which is less than the average inventory value in 2012 (€6.5 million) and 2013 (€8.9 million). Furthermore, reducing the batch size by decreasing R=4 to R=1 could have an inventory reduction of finished machines of €0.6 million (L=.90) to €1.1 million (L=.99). In conclusion, it is possible to effectively control the supply performance by maintaining safety stock based on a service level without making additional inventory costs.
To improve the inventory record accuracy, line side Kanban storage has been tested. There are three advantages. (1) The bin volume can be chosen per SKU, with kitting carts the volume corresponds to the daily usage for all parts; (2) bins can have location coding for each part, as opposed to kitting carts and (3) the time period for intervening in case of shortage is increased when the bin volume exceeds daily usage. As a test, a single assembly line has been chosen. Two storage racks were available that can hold 40 parts. Extrapolating the logistic handlings based on the actual bin volumes during the test, the logistic handlings can be reduced with 47%, which correlates with about 1.5 FTE. But more importantly, such a replenishment process would reduce the risk of shortages for those parts to 0.
vi
Summary (Dutch)
Lely is een fabrikant van producten gericht op de landbouwsector, zoals geautomatiseerde melkrobots en graslandmachines. Circa 10% van de totale omzet (€567 miljoen in 2012) komt van graslandmachines, waarvan de meerderheid wordt geassembleerd in Maasluis, alwaar dit onderzoek heeft plaats gevonden. De machines hebben als functie het bewerken van het gras, aangezien het gras groeit in het voorjaar, ontstaat er in dat seizoen een piekvraag. Zodoende zijn korte levertijden naar de klant (onafhankelijke dealers wereldwijd) noodzakelijk, omdat er slechts een kort moment is waarop bewerking van het gras ideaal is. De machines worden geproduceerd middels assemblage, hetgeen is verdeeld over
meerdere assemblagelijnen. De assemblagelijnen hebben een capaciteit van 5 tot 50 machines per week. Een groot deel van de onderdelen heeft levertijden langer dan drie weken. Aangezien korte levertijden vereist zijn, worden machines geassembleerd op basis van een voorspelling. Deze voorspelling wordt maandelijks bijgewerkt, hierin staan de verwachte te verkopen aantallen per productgroep per maand (er zijn 29 productgroepen en meer dan 100 verschillende machines). Op basis van historische data wordt bepaald hoeveel machines er geassembleerd moeten worden binnen elke productgroep. Vervolgens wordt middels deze voorspelling een productieplan gemaakt, waarin staat hoeveel machines per week geassembleerd moeten worden. Dit productieplan wordt gebruikt om onderdelen in te kopen.
Twee belangrijke problemen doen zich voor bij het vervullen van de klantvraag. Allereerst is de on-time delivery (gerealiseerde productie t.o.v. geplande productie) te laag (gemiddeld 85%). Ongeveer 30% van de problemen wordt veroorzaakt door tekorten: een onderdeel is niet aanwezig terwijl het wel benodigd is. Hiervoor zijn meerdere redenen aan te wijzen, maar tenminste 70% van de tekorten doen zich voor wanneer er volgens het ERP-systeem wel onderdelen beschikbaar zouden moeten zijn. Gebaseerd op cycle counts kan de voorraadbetrouwbaarheid worden berekend, op basis van deze berekening blijkt dat de voorraadbetrouwbaarheid lager is dan 50%, waardoor het risico op tekorten groot is.
Ten tweede is de voorraad van onderdelen te hoog. In 2013 was er gemiddeld 11 weken aan onderdelen op voorraad, terwijl de gemiddelde doorlooptijd drie weken is. Een reden hiervoor is het frequent wijzigen van de planning, deze kan gewijzigd worden vanwege een te lage on-time delivery (<100%) of omdat de klantvraag is anders dan verwacht was. De klantvraag kan anders zijn, omdat de daadwerkelijke vraag binnen een productgroep verschilt t.o.v. de voorspelde vraag, aangezien er gebruik wordt gemaakt van historische data om deze mix te bepalen. Een hoge voorraad zorgt ervoor dat het risico op tekorten toeneemt, aangezien een gebrek aan opslagruimte (of een te hoge voorraad) ervoor zorgt dat meerdere onderdelen in één locatie opgeslagen worden. Onderzoek wijst uit dat er op dergelijke locaties relatief veel tekorten ontstaan.
Zodoende kan het system verbeterd worden op drie manieren. Ten eerste moet er een haalbaar doel zijn. Gegeven het feit dat de on-time delivery altijd lager is dan 100%, kan gesteld worden dat het huidige doel niet haalbaar is. Ten tweede moet het systeem om kunnen gaan met vraagonzekerheid, hetgeen betekent dat ingrijpen omdat de vraag anders is dan verwacht moet gebeuren op basis van standaarden en doelen. Ten derde kan het transport van onderdelen die momenteel op kitkarren liggen verbeterd worden door dit te
vii
vervangen door een Kanban-systeem, aangezien 23% van de tekorten wordt veroorzaakt door onderdelen die op kitkarren liggen.
Om een haalbaar doel te formuleren, moet er onderscheid gemaakt worden tussen planning en scheduling. Een productieplan moet gebaseerd zijn op historische data, om ervoor te zorgen dat een doel haalbaar is, scheduling moet gebaseerd zijn op feitelijke data (zoals tacttijden). Om een dergelijk systeem te kunnen beheersen, zijn twee KPI’s vereist: de effectiviteit (productievoortgang t.o.v. het productieplan) en de efficiëntie (productievoortgang t.o.v. de productieschedule). Een model is gebruikt om te te bereken wat voor
kostenbesparing dit teweeg zou hebben, deze kostenbesparing wordt geschat op €1,0 miljoen.
Omgaan met vraagonzekerheid kan worden bewerkstellig door een hybdrige lean-agile strategie te gebruiken. Voor 20% van de SKUs kan een lean benadering worden gebruikt. De planning kan hierbij gebaseerd worden op lange termijn voorspellingen, om ervoor te zorgen dat er gedurende het hele jaar een stabiele vraag is, waardoor er een focus op
kostenverlaging mogelijk is. Als er geen vraag is, bouwt de voorraad voor dergelijke machines zich op. Voor het overige deel, kan een agile strategie worden toegepast. Aangezien handmatige voorspellingen plaats vinden op productgroep niveau, kan de daadwerkelijke mix binnen een productgroep anders zijn dan verwacht, zelfs als de voorspelling op productgroep niveau volledig correct was. Zodoende moet er
veiligheidsvoorraad voor degelijke machines worden gehanteerd, waardoor de noodzaak tot wijzigen van de planning wordt gereduceerd, hetgeen een voorraadverlaging van de
onderdelen tot gevolg heeft.
Het veiligheidsvoorraadniveau wordt bepaald door drie parameters: de gewenste minimale fill rate (het service level L), de duur van de periode waarin de planning vast staat (de frozen period F) en de duur van de planningscyclus die de batchgrootte bepaalt (R). Een simulatie is uitgevoerd om te bepalen hoe hoog het veiligheidsvoorraadniveau voor elke machine moet zijn voor meerdere combinaties van deze parameters. De resultaten tonen aan dat zonder veiligheidsvoorraad, de fill rate 50% is. Voor de huidige haalbare parameters (F=8, R=4) zou de gemiddelde voorraadwaarde €3,0, €4,0 en €5,8 miljoen zijn voor respectievelijk L=.90, L=.95 en L=.99, hetgeen minder is dan het gemiddelde voorraadniveau in 2012 (€6,5
miljoen) en 2013 (€8,9 miljoen). Tevens zou het reduceren van de batchgrootte (door R=4 te verminderen naar R=1) een verdere voorraadreductie van €1 miljoen kunnen hebben. Hieruit kan geconcludeerd worden dat het mogelijk is om de levering van machines zodanig te beheersen dat een hoog service level wordt behaald zonder dat extra kosten benodigd zijn Ter verbetering van de voorraadbetrouwbaarheid, is een Kanban-systeem getest. Dit heeft drie voordelen: (1) De bingrootte kan gekozen worden per SKU, bij kitkarren, komt het volume overeen met het gebruik per dag; (2) bins kunnen locatiecodering hebben per onderdeel, in tegenstelling tot bij kitkarren en (3) de tijdsduur om in te grijpen wordt vergroot indien er en tekort is geconstateerd als de bingrootte groter is dan het gebruik per dag. Als een test, is een assemblagelijn gekozen met twee kanbanrekken met ruimte voor totaal 40 onderdelen. Op basis van deze test is berekend dat het invoeren van Kanban een potentie heeft om de logistieke handelingen te reduceren met 47%, hetgeen overeenkomt met ongeveer 1,5 FTE. Het belangrijkste is echter dat het risico op lijnstilstand door tekorten in grote mate gereduceerd wordt.
