“Data – ieder geval de juiste – is een schaars goed”. In een gesprek met een Lean 6Sigma Manager in de Food Industrie klonk onlangs deze verzuchting. Een Lean 6Sigma manager kent als geen ander het belang van data. Van juiste data vooral. En die blijkt maar al te vaak niet eenvoudig voorhanden bij fabrikanten van voedingsmiddelen.

Maar data is essentieel voor een slimme informatievoorziening, en vervolgens een slimme besluitvorming. Besluitvorming over vragen als:
Wat is de oorzaak van een Afgekeurde batch?
Kan de kwaliteit omhoog?
Kan de output omhoog?

Data heb je nodig om inzicht te krijgen. Inzicht bijvoorbeeld in de vraag of het mogelijk is een betere kwaliteit te produceren, of de output te verhogen, of om te ontdekken wat er mis gegaan is bij een afgekeurde batch. De 100% First Time Right score blijkt immers nog altijd een utopie. We willen voorkomen dat er opnieuw afgekeurde batches worden geproduceerd. Of op z’n minst zou het al helpen als we eerder in het proces zouden kunnen signaleren dat het niet goed gaat. En niet achteraf…

Zo’n afgekeurde batch is een uitgelezen kans om uit te vinden wat er fout is gegaan. Om daar de vinger achter te krijgen moet je aan de slag om allerlei informatie over die afgekeurde batch te verzamelen. Lag het aan de kwaliteit van de gebruikte grondstoffen of zijn er afwijkingen geweest in het productie proces? De informatie die je hiervoor nodig hebt komt vanuit allerlei bronnen: de kwaliteitscontroles van de grondstoffen die in de batch zijn verwerkt, de opslagcondities van de grondstoffen in de tanks, de proceswaarden vanuit de procesbesturing, de in-proces kwaliteitscontroles die zijn uitgevoerd, de notities die operators hebben gemaakt, etc.

En nu komt het: hoe eenvoudig is het om bovenstaande informatie overzichtelijk bij elkaar te brengen? Het antwoord raadt u al: NIET! Vandaar de verzuchting van de man uit de titel van dit stuk.

Het is vaak een bijzonder TIJDROVENDE en moeizame klus, waarbij je vaak NIET ALLES boven tafel krijgt wat je zoekt, en waarbij je ernstige twijfels kunt hebben of een deel van de informatie ook echt BETROUWBAAR is.

Er zijn grofweg twee manieren om hiermee om te gaan:

Je kunt accepteren dat het leven je niet altijd alles biedt wat je zou willen en er gewoon het beste van maken:  de  trial-en-error methode waarbij je op goed geluk oplossingen uitprobeert kan soms best goed uitpakken, vooral als je veel kennis en ervaring hebt. Zo hebben we het immers de afgelopen 200 jaar ook gedaan, dus het zal voor de toekomst ook wel werken.

Een andere manier is om stap voor stap te gaan werken aan een fabrieksdatabase waarin alle relevante informatie vanuit het productieproces wordt verzameld, inclusief de kwaliteitsmetingen, reinigingen, etc. Dat kan gaan om handmatig ingevoerde kwaliteitsinspecties en operator controles, tot en met het automatisch uitlezen van procesdata uit  SCADA (start- en stoptijden, klepstanden, drukken, temperaturen, etc), (in-line) meetapparatuur, , sensoren, weegschalen, enz.

Belangrijk is dat deze informatie goed wordt gestructureerd zodat je de data eenvoudig kunt rapporteren en analyseren: per batch, per artikel(groep), per productielijn, per ploeg, etc. Dat wordt in de praktijk nog wel eens vergeten: gewoon simpelweg data verzamelen zonder goed doordachte structuur is doodzonde.

De database moet voorzien worden van een goede visualatie- en rapportage tool, zodat alle betrokkenen hier zelf hun informatie uit kunnen putten.

Zo heb je een degelijke basis gelegd voor een slimme informatievoorziening: Afgekeurde batch? Kan de kwaliteit omhoog? Kan de output omhoog? Kom maar op met alle vragen. Want nu hebben we data!

En zo komen we tot wat we uiteindelijk willen bereiken: Niet alleen een slimme informatievoorziening, maar vooral ook een slimme besluitvorming. Dat noem ik nou SMART!