Vad är förlustanalys och hur använder man den i produktion?

Den här guiden går igenom hur förlustanalys fungerar i praktiken, vilka frågor den ska kunna besvara, vilka fällor som gör analysen missvisande, och hur fabriker har använt den för att minska stopp med över 70%.

Varför räcker inte OEE-siffran utan en förlustanalys?

OEE-siffran räcker inte, eftersom den bara visar att du har feber utan att ange vilken diagnos som orsakar den. På samma sätt visar ett OEE på 58% att 42% av den planerade tiden inte blev värdeskapande produktion, men det säger inget om orsaken: haverier, omställningar, materialbrist, hastighetsförluster eller kassationer. Utan den kunskapen går det inte att välja rätt åtgärd och förbättringsarbetet blir gissningar.

Förlustanalysen delar upp gapet. Den utgår från en förlustmodell där varje förlorad timme får en adress: en kategori, en orsak, en plats och en tidpunkt. Grunden är TPM-traditionens sex stora förluster: haverier, omställningar, tomgång och småstopp, reducerad hastighet, defekter i normal produktion och defekter vid uppstart. Till det kommer mikrostopp, de korta avbrotten på sekunder som var för sig är obetydliga men sammantaget kan stå för en stor del av prestandaförlusterna.

En viktig insikt förändrar hur analysen ska byggas: data från fabriker som arbetat länge med OEE visar att omkring 80% av stopporsakerna ofta inte är maskinrelaterade. Det handlar om material, planering, väntan på order, kommunikation och bemanning. Det betyder att automatiska maskindata aldrig räcker för en fullständig analys. Operatörernas kodning av orsaker är det som ger förlusterna sina adresser.

Vilka frågor ska en förlustanalys kunna besvara?

En bra förlustanalys ska kunna besvara konkreta prioriteringsfrågor på några minuter, utan specialistinsats. De viktigaste frågorna är dessa:

Vilka är våra tre största förluster i timmar och pengar? Grundfrågan. Svaret styr var förbättringsresurserna ska sättas in.

Vilka förluster är frekventa men korta, och vilka är sällsynta men dyra? De två typerna kräver olika åtgärder. Hundra mikrostopp om dagen angrips annorlunda än ett haveri i månaden.

Varför presterar samma artikel olika på två olika linjer? Skillnaden mellan linjerna innehåller ofta en färdig lösning: den bättre linjens arbetssätt kan standardiseras till den sämre linjens.

Vilka stopporsaker har ökat den senaste månaden? Trender fångar problem som är på väg att bli dyra innan de har blivit det.

Vilka tekniska problem återkommer på samma maskindel? Återkommande fel på samma komponent är ett underhållsmönster som pekar mot rotorsaken, inte symptom.

Hur skiljer sig utfallet mellan skiften? Skillnader mellan skift handlar sällan om ansträngning, utan ofta om arbetssätt, och arbetssätt går att standardisera.

Hos Sibbhultsverken var det den här typen av nedbrytning som gjorde skillnad. Genom att systematiskt analysera och åtgärda de största förlustkategorierna kunde de minska tekniska stopp med 73% och oplanerade stopp med 63% under bara 12 månader. OEE steg med 19,4% i en cell och 40% i en annan, och nettoproduktionen kunde ökas med 15% utan fler skift.

Vad krävs för att förlustdatan ska vara tillförlitlig?

Förlustdatan går att lita på när tre saker är på plats: konsekventa definitioner, enkel kodning för operatörerna, och synlighet för dålig data.

Konsekventa definitioner. Planerad produktionstid, omställningar, planerat underhåll och idealcykeltid måste hanteras på samma sätt över tid och mellan linjer. Annars går siffrorna inte att jämföra och analysen bygger på för lösa grunder. En dokumenterad OEE-policy, där teamet har definierat vad som mäts och hur, är det enklaste skyddet.

Enkel kodning. Om det tar längre tid att koda ett stopp än stoppet självt varar kommer kodningen inte att ske. Gränssnittet på golvet ska klara kodning på sekunder, med tydliga orsakskoder som operatörerna själva har varit med och utformat. Orkla Nidar eliminerade kategorin “Annat” ur sin rapportering när operatörerna fick verktyg som gjorde det enkelt att koda rätt orsak direkt. En växande “Annat”-kategori är annars det säkraste tecknet på att analysen håller på att förlora sin grund.

Synlig datakvalitet. Systemet ska självt visa var datan brister: okodade stopp, aktivitet utanför schema, orealistiska hastighetsmönster. Då kan bristerna åtgärdas löpande i stället för att upptäckas först när någon redan har fattat beslut på fel underlag.

Hur går man från analys till åtgärd?

Från analys till åtgärd går man via prioritering, rotorsak och uppföljning, i en cykel som upprepas. Analysen i sig förbättrar ingenting. Värdet uppstår när den styr handlingen.

En beprövad arbetsgång ser ut så här:

Prioritera efter värde. Välj de två eller tre förluster som kostar mest, inte de tio som syns. Få saker med riktiga resurser slår många utan.

Sök rotorsaken. Börja gärna med ett fiskbensdiagram (kallat Ishikawa inom Lean) för att brainstorma och identifiera orsaker. Alla förslag är välkomna. Sedan prioriteras de troliga orsakerna och de mest sannolika undersöks med metoden “fem varför” för att hitta underliggande orsaker. Denna metod genererar idéer och fokuserar på de mest troliga för att hitta rotorsaken. 

Vid komplexa problem kan ett strukturerat DMAIC-projekt behövas, som hos Bostik där analysen av omställningsdata ledde till 70% kortare omställningstider.

Åtgärda med ansvarig och datum. En åtgärd utan ägare blir kvar på listan.

Följ upp i statistiken. Den åtgärdade förlusten ska försvinna eller minska tydligt i datan. Gör den inte det; problemet löstes inte i grunden, och ett nytt varv behövs. Uppföljningen sker i samma system som analysen, vilket gör den nästan gratis.

Barilla Wasa i Filipstad visar helheten. Genom systematiskt arbete med förlusterna steg utnyttjandegraden från 75% till 94%, stilleståndstiden minskade med 22%, produktsvinnet minskade med 15% och nettoproduktionen ökade med 15%. Samtidigt sjönk CO2-förbrukningen med 28%, eftersom förlorad maskintid också innebär förlorad energi. Förlustanalysen bar hela kedjan, från prioritering till bevisad effekt.

Vilka är de vanligaste fällorna i förlustanalys?

De vanligaste fällorna är att analysera för sällan, att fastna i totalsiffran, att jämföra fel saker och att glömma de små förlusterna.

Analys en gång i kvartalet. Då hinner problemet växa sig dyrt innan det upptäcks. Förlustanalysen ska in i veckorytmen, med de största förlusterna som en stående punkt i förbättringsmötet.

Stirra på OEE-totalen. Totalsiffran rör sig långsamt och döljer ingående/bakomliggande motriktade rörelser när en del orsaker minskar samtidigt som andra ökar. En linje kan förbättra omställningarna samtidigt som mikrostoppen ökar och totalen står still. Analysera delarna, inte bara summan.

Jämför linjer och fabriker rakt av. Olika definitioner och olika förutsättningar gör direkta jämförelser missvisande. Jämför varje enhet med sin egen historik, och använd skillnader mellan enheter som källa till frågor, inte som betyg.

Ignorera mikrostoppen. De syns knappt var för sig och fångas inte manuellt, men tillsammans kan de utgöra en av de största förlustkategorierna. Automatisk mätning är enda sättet att få syn på dem.

Hur arbetar Good Solutions med förlustanalys?

Förlustanalysen är kärnan i plattformen från Good Solutions, byggd på en egen förlustmodell som ger varje förlorad timme en adress. Rapporterna bryter ner förlusterna per stopporsak, orsaksgrupp, linje, artikel, skift och trend över tid. Tidslinjen visar dygnet visuellt, med stopp, volym och OEE i samma vy, och stopp kan kodas direkt i vyn. Operatörsverktyget gör kodningen snabb nog att ske i stunden, vilket är förutsättningen för att analysen ska täcka de omkring 80% av stopporsakerna som maskindata inte kan förklara.

Runt analysen finns arbetssätten. Verksamhetsinförandet, med erfarenhet från 300+ fabriker, säkerställer definitioner och datakvalitet redan från start. OEE-policyworkshopen dokumenterar vad som mäts och hur det mäts, så att siffrorna förblir jämförbara. Utbildningarna ger operatörer och superusers den gemensamma förståelsen som håller kodningen konsekvent. Och eftersom plattformen är byggd för att driva ständiga förbättringar, inte bara mäta, leder analysen vidare till prioritering, åtgärd och uppföljning i samma verktyg.

Resultaten hos kunderna kommer just på den vägen. Sibbhultsverken minskade tekniska stopp med 73%. Bostik kortade omställningarna med 70%. Barilla Wasa lyfte utnyttjandegraden till 94%. Kopparbergs minskade kvalitetsavvikelserna med 68%. I samtliga fall började arbetet i förlustanalysen och slutade i bevisad effekt.

FAQ

Vad är skillnaden mellan OEE och förlustanalys?
OEE är siffran, förlustanalysen är förklaringen. OEE visar hur stor del av den planerade tiden som blev värdeskapande produktion. Förlustanalysen bryter ner resten per orsak, plats och tid, så att förbättringsarbetet vet var det ska riktas.

Vilka förlustkategorier ska vi använda?
Utgå från de sex stora förlusterna, med mikrostopp som en egen kategori, och anpassa orsakskoderna till er verksamhet tillsammans med operatörerna. Koderna ska vara tillräckligt få för att vara snabba att välja och tydliga nog för att inte förväxlas. En växande “Annat”-kategori är en signal om att strukturen behöver ses över.

Hur ofta ska vi göra en förlustanalys?
Löpande. De största förlusterna ska vara en stående punkt i det veckovisa förbättringsmötet, och avvikelser ska synas i den dagliga styrningen. Kvartalsanalyser är för glesa, eftersom problem hinner bli dyra mellan tillfällena.

Kan vi göra en förlustanalys i Excel?
I liten skala, som start, ja. Men manuell insamling missar mikrostoppen, kodningen blir ofullständig, och analysarbetet tar tid som borde läggas på åtgärder. Ett OEE-system samlar in data automatiskt, håller den konsekvent och gör nedbrytningar i minuter.

Hur vet vi att analysen leder rätt?
Genom uppföljningen. När en prioriterad förlust åtgärdas ska den minska tydligt i statistiken. Gör den det, är analysen rätt. Gör om analysen om åtgärden har träffat ett symptom i stället för rotorsaken. Då behöver analysen fördjupas, gärna med operatörernas kunskap som komplement till datan.